IA & Jeux

INTELLIGENCE ARTIFICIELLE

Utiliser l'ordinateur pour simuler des taches de RÉFLEXION qu'on attribue aux humains et animaux

INTELLIGENCE ARTIFICIELLE

Va de la calculatrice au chatbot, en passant par :

   - résolution de jeu de plateaux

   - optimisation mathématique

   - reconnaissance d'images

   - planification de taches

   - ...
 

S'inspire de/utilise :

   - mathématiques

   - logique

   - biologie

   - neuroscience

   - psychologie

   - philosophie
 

Histoire IA & Jeux

  • pacman, 1979 : 4 fantomes avec des scripts distincts​

  • Scripts simples jusque dans le milieu 90s

  • Fin 90 : goldeneye, metal gear solid : ajout de la perception des autres NPC pour des scripts plus complexes

  • RTS (warcraft) : pathfinding

  • Creatures, 1997 : algorithmes génétiques et réseaux de neurones : une des IA les plus complexes même maintenant!

Briques Principales

  • input (environnement / état interne)

  • stratégie : suite d'actions simples / synchronisation d'un groupe d'agents

  • prise de décision : quelle action faire maintenant en fonction de : état, environnement, état ennemi, etc

  • mouvements/actions (output)

Catégorie d'IA

  • agent-based AI : chaque NPC a son intelligence indépendante des autres

 

  • "God" AI : un même système calcule et envoie les commandes à tous les NPC

Les bases de la base en IA

Besoin de :

  • Algorithmes : suite d'instructions relativement simples

  • Structure de données : choisir et arranger les données utilisées pour faire des décisions

​

  • Heuristiques : un algorithme qui donne une solution rapidement mais peu précise

  • Hack : n'importe quelle astuce qui rend l'IA intéressante

IA efficace (agent-based)

  • IA complexe  !=  IA réaliste ou intéressante
  • Le mieux : technique simple qui donne l'illusion de la complexité
  • actions du NPC doivent être compréhensible du point de vue du joueur! (par rapport à ce que le joueur sait de l'environnement et du NPC)
  • changements de comportement du NPC doivent être minimes ou alors compréhensibles par le joueur

 

...mais : pas important pour ce défi !!

IA 1 : mouvement

  • IA bas niveau : trouver le plus court chemin entre start et end, en évitant les obstacles

  • UE fait presque tout

  • voir A*

​

  • autres problèmes à gérer : orientation, inertie, prédiction de mouvements, formation en groupe, synchroniser animation et déplacement

IA 2 : décision

  • Decision tree : un arbre pour trouver l'action à faire

 

  • State machine (et Hierarchical SM) : graphe avec les états possibles de l'agent et les transitions possibles entre états (animation blueprint - State Machine)

 

  • Behavior Tree (UE4) : l'arbre affiche les taches à faire

 

  • Markov Process : représente les états du jeu par des vecteurs et des événements par des matrices de transition

IA par apprentissage

  • ​2 Problèmes à régler

    • prédiction : que va faire l'ennemi ?

    • décision : qu'est ce que je vais faire ?                        

 

  • Mode d'apprentissage

    • online : pendant le jeu

    • offline : avant le jeu, pendant le développement    

 

  • Nécessite
    • représentation simple des actions possibles
    • représentation simple de l'état du jeu (environnement, personnages, temps, ...)

IA apprentissage (1)

Prédiction

 

  • garder l'historique des actions du joueur (par ex: IFHIB ) et trouver la séquence actuelle de l'ennemi pour déduire l'action suivante

 

  • N-grams : garde la fréquence de toutes les séquences d'actions en mémoire         

 

IA apprentissage (2)

Méthode générique : parameter-based

 

  • une fonction mathématique composée de variables et de paramètres
  • Il faut calculer les paramètres pour obtenir un "bon" résultat

 

 

IA apprentissage (3)

Naive Bayes Classifier

 

  • Trouver la probabilité de faire une action à partir d'un état
  • utilise la formule de Bayes
  • nécessite une liste d'expériences pour calculer des probabilités intermédiaires

 

IA apprentissage (4)

Decision tree learning

 

  • création d'un decision tree à partir d'expériences de jeu

 

  • crée des branches à partir des états du jeu ou des actions faites et indique le résultat à la fin

IA apprentissage (5)

Reinforcement learning

 

  • apprendre l'efficacité d'une action en fonction de l'état du jeu

 

  • Si dans un état donné, on a fait une action particulière et que le résultat est bon, on augmente la probabilité de faire cette action la prochaine fois, et inversement.

​

  • voir Q-learning                                                                      

IA apprentissage (6)

Neural network

voir Multi-Layer Perceptron

Liens

P:\AGORA Poly1\Defi Ai Fighting Game\Documents

 

GDC_Designing Awesome AI for Games.mp4

GameAIPro_Chapter01_What_is_Game_AI.pdf

livre : Artificial Intelligence for games

 

https://wiki.unrealengine.com/Blueprint_Behavior_Tree_Tutorial

 

https://docs.unrealengine.com/latest/INT/Engine/AI/BehaviorTrees/QuickStart/index.html

 

http://www.gameaipro.com/

 

GameAI

By tetorea

Made with Slides.com

GameAI

  • 391

More from tetorea