Quelle est la technologie de base de l’intelligence artificielle des jeux ?

La technologie de base de l'intelligence artificielle des jeux est « qualitative ». Qualitatif signifie que le comportement ou la performance est spécifique et prévisible sans incertitude ; par exemple, créez un personnage monstre, déplacez-vous le long de l'axe de coordonnées XY et déplacez-vous vers un point cible jusqu'à ce que les coordonnées XY du personnage et les coordonnées du point cible se chevauchent. . La technologie d'IA qualitative est le fondement de l'IA des jeux ; les résultats de la technologie d'IA qualitative sont prévisibles, efficaces et faciles à mettre en œuvre, à comprendre, à tester et à déboguer.

L'environnement d'exploitation de ce tutoriel : système Windows 7, ordinateur Dell G3.

La définition de l'intelligence artificielle du jeu est assez large et flexible. Quelle que soit la méthode utilisée, tant qu'elle peut donner aux gens « l'illusion » d'un certain degré d'intelligence, rendre le jeu plus addictif, plus stimulant et, surtout, plus amusant, elle peut alors être considérée comme une IA de jeu.

IA qualitative et non qualitative

L'IA de jeu est généralement divisée en deux types, qualitative et non qualitative.

Qualitatif

Qualitatif signifie que le comportement ou la performance est spécifique et prévisible, sans incertitude. Un exemple spécifique pourrait être un simple algorithme de poursuite. Par exemple, créez un personnage monstre, déplacez-vous le long de l'axe de coordonnées XY et déplacez-vous vers un point cible jusqu'à ce que les coordonnées XY du personnage chevauchent les coordonnées du point cible.

Non qualitatif

Contrairement au comportement qualitatif, le comportement non ciblé présente un certain degré d'incertitude et est quelque peu imprévisible (dans quelle mesure il est incertain et difficile pour les gens de comprendre la méthode d'IA utilisée) lié à la facilité). Un exemple précis est de permettre à des personnages non-joueurs d'apprendre des tactiques de combat adaptées au joueur. De telles capacités d'apprentissage peuvent être obtenues à l'aide de réseaux de neurones, de techniques bayésiennes ou d'algorithmes génétiques.

La technologie d'IA qualitative est le fondement de l'IA des jeux. Les résultats de la technologie d’IA qualitative sont prévisibles, efficaces et faciles à mettre en œuvre, à comprendre, à tester et à déboguer. Bien qu'il existe de nombreuses méthodes qualitatives, la charge de réfléchir à l'avance à divers scénarios et d'écrire tous les comportements incombe clairement au développeur. De plus, les méthodes qualitatives ne peuvent pas aider les PNJ à apprendre et à évoluer. Les joueurs peuvent prédire le comportement qualitatif des PNJ en les observant attentivement. On peut dire que le recours à un comportement qualitatif limitera la « vie » des logiciels de jeux.

La technologie non qualitative permet aux PNJ d'apprendre par eux-mêmes et de développer de nouveaux comportements, tels que des comportements émergents (des comportements qui apparaissent sans instructions claires), ce qui rend difficile la prédiction pour les joueurs lorsqu'ils jouent au jeu et augmente la jouabilité du jeu. Les développeurs n’ont pas non plus besoin d’anticiper tous les scénarios possibles et de noter tous les comportements explicites.

Bien que la technologie non qualitative puisse augmenter la jouabilité des jeux, les développeurs ont longtemps gardé leurs distances avec l'IA non qualitative (mais cela a progressivement changé). Étant imprévisible, il est difficile de tester et de déboguer (car il n'existe aucun moyen de tester toutes les actions possibles du joueur pour s'assurer que le logiciel de jeu ne bug pas). De plus, les développeurs de jeux sont confrontés à un cycle de développement de plus en plus court, ce qui rend difficile la compréhension complète des dernières technologies d’IA.

Un autre facteur limite également le développement de technologies non qualitatives. Récemment, les développeurs ont commencé à se concentrer davantage sur la qualité des images (car les joueurs aiment les belles choses). En conséquence, afin de créer une technologie graphique meilleure et plus rapide, nous n’avons pas le temps de développer une meilleure IA de jeu.

Technologie d'IA de jeu existante

Machine à états finis (machine à états finis, FSM) est une technologie d'IA de jeu qui peut être vue partout. Nous étudierons cette partie en détail au chapitre 9. Le concept de base d'une machine à états finis est de lister une série d'actions ou d'états de nature contrôlée par ordinateur, puis d'utiliser des instructions conditionnelles si-alors pour vérifier diverses situations et remplir des conditions. puis jugez les résultats en fonction de l'exécution d'actions ou de la mise à jour des états des personnages, ou de la transition entre les actions et les états.

Les développeurs utilisent souvent la logique floue dans les machines à états floues pour rendre l'action finale exécutée difficile à prédire et réduire le fardeau d'avoir à énumérer un grand nombre de conditions avec des instructions si-alors. Dans une machine à états finis, vous pouvez avoir une règle du type « si la distance est de 10 et la santé de 100, alors attaquez », mais la logique floue est différente et vous permet de concevoir des règles avec des conditions moins précises. Comme "si c'est assez proche et en bonne santé, alors attaque puissante". Les machines à états flous seront présentées en détail au chapitre 10.

Dans divers jeux, la tâche fondamentale des personnages non-joueurs est de trouver des chemins efficaces. Dans un jeu de simulation de guerre, l'armée du personnage non-joueur doit être capable de traverser différents terrains, d'éviter les obstacles et d'atteindre l'emplacement de l'ennemi. Les créatures des jeux de tir à la première personne doivent être capables de traverser des donjons ou des bâtiments afin de rencontrer le joueur ou d'échapper à sa vue. Il existe d’innombrables scénarios de ce type. Il va sans dire que les développeurs d’IA accordent une grande attention à la recherche de chemin. Dans le chapitre 6, nous parlerons des techniques générales de recherche de chemin, et dans le chapitre 7, nous parlerons de l'important algorithme A*.

Certaines des technologies mentionnées ci-dessus ne sont que quelques-unes des technologies d'IA de jeu existantes. D'autres incluent des systèmes descriptifs basés sur des règles et certaines technologies de déclaration artificielle, et il en existe de nombreux types. Un système de vie artificielle est un système créé par l’homme qui présente un comportement semblable à celui des humains. Ces comportements sont des comportements émergents, et leur développement est le résultat de la combinaison du fonctionnement de différents algorithmes de bas niveau. Nous discuterons plus tard d’exemples de vie artificielle et d’autres technologies.

L'avenir de l'IA des jeux

La prochaine grande nouveauté de l'IA des jeux est « l'apprentissage ». Une fois le jeu lancé, les comportements de tous les personnages non-joueurs ne seront plus arrangés à l'avance. Plus le jeu est joué longtemps, plus le jeu évoluera et apprendra, et deviendra plus adaptable. Un tel jeu grandira avec les joueurs, et il sera difficile pour ces derniers de prédire le comportement du jeu, prolongeant ainsi le cycle de vie du jeu. Les jeux apprennent et évoluent, ce qui rend le jeu lui-même imprévisible.

Les technologies « Learning » et « Character Behaviour Response » entrent dans le cadre de l’IA non qualitative mentionnée ci-dessus, elles sont donc assez difficiles. Pour être clair, cette technologie d’IA « d’apprentissage » non qualitative prend plus de temps à développer et à tester. De plus, il est plus difficile de comprendre exactement ce que fera l’IA, ce qui rend le débogage plus difficile. Ces facteurs constituent d’énormes obstacles à l’adoption généralisée des technologies « d’apprentissage » de l’IA. Cependant, tout cela est en train de changer.

Plusieurs jeux grand public utilisent une technologie d'IA non qualitative, tels que "Creatures", "Black & White", "Battlecruiser 3000AD", "Dirt Track Racing", "Fields of Battle" et "Heavy Gear". Le succès de ces jeux a ravivé l'intérêt pour « l'apprentissage » des techniques d'IA, telles que les arbres de décision, les réseaux de neurones, les algorithmes génétiques et les méthodes probabilistes.

Ces logiciels de jeu à succès utilisent également des méthodes qualitatives traditionnelles lorsqu'ils utilisent des méthodes non qualitatives. Les méthodes non qualitatives ne sont utilisées que là où elles sont les plus appropriées et nécessaires. Les réseaux de neurones ne constituent pas une solution miracle capable de résoudre tous les problèmes d’IA dans les logiciels de jeu, mais vous pouvez obtenir des résultats impressionnants en résolvant des tâches d’IA spécifiques dans un système d’IA hybride. De cette façon, vous pouvez isoler les parties de l'IA qui sont imprévisibles et difficiles à développer, déboguer et tester, tout en conservant la majorité de votre système d'IA dans sa forme traditionnelle.

Pour plus de connaissances connexes, veuillez visiter la rubrique FAQ !

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!