IMA_游戏

游戏AI
[TOC]游戏AI是什么?游戏AI和理论AI但是值得注意的是,但是游戏AI与理论研究的AI那些有所不同。我们平时所...
扫描右侧二维码阅读全文
23
2019/06

游戏AI

[TOC]


游戏AI是什么?

游戏AI和理论AI

但是值得注意的是,但是游戏AI与理论研究的AI那些有所不同。
我们平时所熟悉的人工智能,大多数是指理论AI。(例如深度学习,机器学习)

而游戏AI往往很少应用到理论AI那些神经网络、深度学习等等理论AI所流行的技术。

智能的假象

游戏AI主要是程序员预先定义编写好可能发生的行为,而不具有理论人工智能那种自我“学习”的特性。

因为游戏AI主要职责是模拟出智能行为,而并非学习
(例如:街道上会避让车的人群,天空中乱飞的小鸟,来回巡逻的守卫,兵线上的小兵...)

可以说游戏AI是智能的假象。

要是游戏功能需要自我学习,尽可能做出最优策略,更应该使用理论AI(也是我们熟悉的那个人工智能),通过神经网络,深度学习等流行技术实现。
例如:围棋AI阿法狗,DOTA2的OPENAI

(更新)游戏AI和机器学习

以前觉得机器学习要应用于游戏AI,还远得很。
最近看到一些资料后,也尝试玩了玩Unity机器学习,才发觉机器学习占领游戏AI的可能性和趋势。
这让我对游戏AI和理论AI的看法有了变化,因此下面介绍也会提到机器学习。

因此现在看来,理论AI可以归纳为游戏AI的一部分。游戏AI应该分为人工制作的和机器学习训练的。


介绍一些游戏AI

4X游戏AI

80938-j7fhi16ke3.png

《群星》《文明》《王国风云》等为代表的4X游戏,战略游戏的一种,其主要的四个游戏目的分别是:
eXplore(探索),eXpand(扩张),eXploit(掠夺),eXterminate(毁灭)。

为了让玩家在4X进程中受到阻挡,4X游戏AI必须得足够聪明做出决策,
但又同时为了不让玩家觉得无法胜利,它往往不是采用最优策略,而是使用更“人性化”的策略,
(例如反应延迟,走的路径稍微扭曲,模糊决策等做法)。

《求生之路》系列

87805-rnf2hat2zc9.png

作为一款FPS游戏,很难说《求生之路》里的怪物有多智能——它们本来就该是愚蠢而凶猛的。真正有技术含量的是它的“导演系统”,AI Director作为后台的核心,会根据玩家在游戏中的具体表现调控游戏的节奏。怪物出现的地点、数量,何处刷新道具等等,配合上根据形势动态变换的音乐,给了用户更真实的游戏体验。

角色扮演/沙盒游戏中的NPC

30610-1kar9krwaco.png

在一些自由度较高的游戏中,为了让玩家更好的融入这个世界,游戏会对NPC进行很多详细的设定。比如在《巫师》系列中,每个NPC都有自己的性格设定,包括会话数据库,让他们可以进行丰富的动作和对话。在GTA这种沙盒游戏中更是这样。


游戏AI 需要学些什么?

下面列出部分游戏AI所需掌握的知识和简要介绍:

自治智能体

智能体,通俗点意思是含有AI的对象物体。这些对象往往拥有自治动作(即什么情况就该做出什么反应)。在《看门狗》《GTA》里,街上走路的人或者开动的汽车,就是一个自治智能体。主角开车如果冲向它们,这些自治智能体能够自行判断并做出躲开的动作。

群体智能

如其名,与自治智能体相对,“群体智能”一般用于编队的AI或者集群的AI。例如足球游戏里,AI操控一方所有球员互相配合传球踢球。又或者射击游戏里,AI操控一支小队通过战术进攻据点。

感知

智能体所能获取的信息应该总是有限的。引入“感知”的概念,用以模拟智能体的感官,从而让智能体能获取一定程度的信息,用于之后的决策判断。

可参考:游戏AI之感知(1) - KillerAery - 博客园

状态机(重要)

“状态机”是一种表示状态并控制状态切换的设计模式,常常用于设计某种东西的多个状态。
例如一个人有站立状态,跑动状态,走路状态,蹲下状态,开火状态等...
当应用在游戏AI时,它也可以作为AI的决策结构(以前老游戏的AI决策结构几乎都是采用状态机)。

可参考:游戏设计模式——有限状态机 - KillerAery - 博客园
可参考:游戏AI之决策结构—有限状态机/行为树(2) - KillerAery - 博客园

行为树(重要)

“行为树”是一种以树状结构表达的决策模式,也是一种设计模式。这也是现代游戏AI最常用的决策结构。

可参考:游戏AI之决策结构—有限状态机/行为树(2) - KillerAery - 博客园

寻路/搜索/规划(重要)

“寻路”是游戏里极为常见的操作,常用的算法有A* 算法,当然更优化的话则是依赖规划网格的寻路。

可参考:A*寻路算法 - KillerAery - 博客园

“搜索”其实应该跟寻路并在一起,只是游戏AI有可能还会用到图搜索。
在《群星》里,通过一条条“航路”连接千千万万个星球,这时候AI就要每次在决策派遣舰队时,
需要考虑到达这张“图”的各个星球的权值和最优期望。

“规划”则是游戏的预处理,例如提前构建路线,划分区域等,以便游戏进行后利用预先处理好的数据进行高效的算法操作。

可参考:游戏AI之路径规划(3) - KillerAery - 博客园

黑板

“黑板”简单来说就是可访问的共享数据,用于多模块间的数据共享。编写游戏AI引擎时,往往避免不了各模块之间的通信,而使用黑板模式无疑是极好的选择

可参考:游戏设计模式——黑板模式 - KillerAery - 博客园

模糊逻辑(不常用)

为了让游戏AI更人性化,模糊逻辑很有必要。做游戏AI往往不是做最优解,而是做像人类的解。
在某些时候,例如:某个AI战斗结束后,判断如果子弹数量少,则回基地取弹药,
“子弹数量少”这个条件就可以做成一种模糊逻辑条件。

可参考:游戏AI之模糊逻辑(4) - KillerAery - 博客园

杂项技巧

这里主要是各种各样的杂项技巧,或者欺骗玩家的障眼法,也是老鸟们所说的“Trick”。
通过“抖动”,"平滑"等技巧可以增强拟人性,让AI愚笨的像个人。

脚本驱动(重要)

使用脚本可以随意编写出逻辑代码而无需再次编译,从而极大减少修改逻辑的成本。
游戏AI的逻辑修改往往很频繁,使用脚本编写AI逻辑无疑是必要的。
此外游戏程序最常用的脚本语言——Lua.

可参考:C++与Lua交互之配置&交互原理&示例 - KillerAery - 博客园

机器学习(有潜力)

机器学习训练出游戏AI的优势在于:

  • 机器学习训练出的游戏AI,模型可能数据庞大,但是这完全可以部署于服务器。
  • 目前绝大部分游戏AI都是人工制作,工作量庞大。机器学习可以解放生产力,放台主机训练让其自己培养出更实的AI。

但缺点也是有的:

  • 过于复杂的环境,或者需要复杂交互的AI几乎很难训练出来(例如开放世界RPG游戏的NPC,它们都得有自己的一套复杂剧本台词和NPC行为)

因此目前看来,机器学习训练出来的AI可用于简单交互的AI,例如看到人就跑的小动物,更复杂的是会遵守交通规则的路人/车辆。

若对Unity的机器学习插件感兴趣:Unity 用ml-agents机器学习造个游戏AI吧(1)(Windows环境配置) - KillerAery - 博客园
Unity 用ml-agents机器学习造个游戏AI吧(2)(入门DEMO) - KillerAery - 博客园

游戏AI 基本设计

实际世界的智能:
一个正常的智能体,得先感知到周围的事物,才能思考下一步该做什么,才能做出反应行为。

基于这个便自然而然分出以下三个模块:

  • 感知
  • 决策
  • 行为

感知

一般的游戏AI,首先需要获取到感知的信息。

例如:

  • 一个NPC的视野范围内看到了有一个丧尸。
  • 一个丧尸听到了玩家的脚步声。
  • 足球队队员之间的传达配合信息。
class AgentPerception {
public:
    //进行一次感知探测
    void check();
    //访问感知目标结果
    Information& getCheckResult()const;
private:
    //...
};

决策

决策模块一般通过分析感知信息,进行计算,输出接下来想要做的行为的结果。

例如:

  • NPC决策模块检查了这个丧尸,判断到它是自己的敌人,所以输出了逃跑的决策。
  • 丧尸决策模块检查了这个玩家,判断到它是自己的敌人,所以输出了扑过去攻击的决策。
  • 中锋决策模块检查了前锋的带球情况,判断到它想传球,所以输出了要去对应的位置接球的决策。

可以把决策模块想象成一个大脑(为了类比,可以把下面的“决策模块”字样看成“大脑”):
决策模块能够获取智能体模型的感知信息,分析之,并返回行动决策。

  class AgentBrain{
  public:
    //计算得出智能体的决策
    Decision caculate(Agent* agent){
      //获取感知信息
      Information& information = agent->mPerception.getResult();
      
      //根据感知信息,让寄主执行行为
      if(information...){
        return Decision(MoveTo, ...);//移动到...的决策
      }
      if(information...){
        return Decision(Attack);//攻击决策
      }
      //....
    }
  private:
    //...
  };

行为

一般的游戏模型应该提供相应的行为接口,然后行为模块负责处理决策,执行对应的行为。

//一个智能体类例子
class Agent{
public:
  //智能体的各种行为接口
  //...
  void moveTo(cosnt Vector3& pos);
  void attack();
protected:
  //智能体的各种变量
  //....
  Vector3 mPosition;              //当前位置
  int mAttack;                    //攻击力
  ViewPerception mPerception;     //视野感知模块
};
class AgentAction{
public:
  //处理决策,让智能体执行对应行为
  void doAction(Agent* agent,const Decision& decision);
};

小结

这样,一种简单基本的设计就浮现了:

  • 感知模块
  • 决策模块
  • 行为模块

初步介绍到此结束,下一篇博文将详细介绍感知。

参考

[1]《游戏人工智能编程案例精粹》

[2] FINNEY的博客 AI分享站


游戏AI 系列文章:游戏AI - 随笔分类 - KillerAery - 博客园

Last modification:June 30th, 2019 at 05:00 pm

Leave a Comment

#鼠标点击特效