Ich bin kein Gamedev, ich bin nur ein neugieriger Programmierer von Nicht-Spielen. Ich frage mich, wie funktioniert KI in populären modernen Spielen, sagen wir FPS? Basiert es auf fest programmierten Regeln? Wie viel hat es mit anderen Arten von KI gemeinsam (wie der, die autonome Autos usw. antreiben)? Wie stellen Entwickler sicher, dass sich die KI auf natürliche Weise verhält und es Spaß macht, dagegen zu spielen?
Ich habe verschiedene Ableitungen von MinMax gegoogelt, aber nicht geantwortet, wie KI mit ununterbrochener, veränderlicher Welt umgeht, für welche Aktionen / Zustände KI belohnt wird und wie sie ihre Erfolgschancen für verschiedene Aktionen ermittelt. Ich habe auch gesehen, dass hier und da maschinelles Lernen erwähnt wurde, aber es scheint, dass es in keinem ernsthaften Spiel verwendet wird?
Antworten:
Es gibt viele Methoden. Ich werde für FPSs antworten, da jedes Genre seine eigenen Probleme hat und AI-Ansätze stark von der Problemdomäne abhängen und wie sie am besten dargestellt werden können.
Zu den gängigen FPS-Ansätzen gehören:
Und verschiedene Permutationen und Variationen der oben genannten.
Minimax wird im Allgemeinen nicht für Spiele mit kontinuierlichem Status wie FPS verwendet, sondern eher für rundenbasierte Spiele in diskreten Spielbereichen wie Schach usw. Es kann für die Planung auf hoher Ebene verwendet werden, aber im Allgemeinen nicht, weil es bessere Systeme gibt (d. H Obengenanntes) bei Konfrontation mit mehreren Feinden, unvollständige Informationen, aber einfache Pläne.
Sie stellen sicher, dass die KI Spaß macht, indem sie testen. Wenn es zu schwierig ist, können sie Fehler in Entscheidungsheuristiken oder eine Verzögerung ihrer Reaktionen einbringen oder einen Zufallsfaktor auf ihr Zielen anwenden. Wenn es nicht herausfordernd genug ist, müssen sie nur die dem Algorithmus zugeführten Daten verbessern .
quelle
Es gibt Veröffentlichungen darüber, wie verschiedene AIs funktionieren. Die, mit der ich am vertrautesten bin, ist FEAR
quelle
Zwei weitere gängige Methoden
UCT-Suche. Es gibt einen Formalismus, aber die Idee ist im Grunde, ein zufälliges Playout durchzuführen, bis das Spiel endet, mit einem Feedback, um die gewinnenden Spiele stärker zu gewichten als die verlierenden. Das Schöne an der reinen Form ist, dass die KI kein Wissen darüber benötigt, was ein besserer oder schlechterer Zug sein könnte.
Die Minmax-Suche, normalerweise kombiniert mit Alpha-Beta-Baum-Bereinigung, führt im Grunde genommen eine vollständige Suche im Spielraum bis zu einer gewissen Tiefe durch und bewertet jeden Endknoten mit einem statischen Bewerter, der einen numerischen Wert zuweist. Dies funktioniert gut für Spiele, in denen es offensichtliche Metriken gibt, die den Fortschritt in Richtung eines Gewinns messen.
quelle