Im Allgemeinen werden neuronale Netze und genetische Algorithmen in Spielen nicht verwendet, und abgesehen von dem jüngsten Interesse, neuronale Netze für tiefes Lernen zu verwenden, auch nicht so häufig außerhalb von Spielen.
Der Hauptgrund für den Unterricht in KI-Akademien liegt nicht in ihrer praktischen Anwendbarkeit, sondern darin, dass sie sich leicht als Lehrmittel erklären lassen. Beide verfügen über mathematische und biologische Analoga, die es den Schülern ermöglichen, zu verstehen, wie sie funktionieren könnten.
In der realen Welt benötigen Sie normalerweise Zuverlässigkeit und Vorhersehbarkeit. Das Problem bei Lernmethoden ist, dass sie, wenn sie in der freien Wildbahn lernen, die falschen Muster lernen und unzuverlässig sind. Ein NN oder ein GA können möglicherweise ein lokales Maximum erreichen, das nicht ausreicht, um beispielsweise das erforderliche Spielerlebnis zu bieten. In anderen Fällen könnte es zu gut werden, eine perfekte Strategie zu finden, die unschlagbar ist. Beides ist in den meisten Unterhaltungsprodukten nicht wünschenswert.
Selbst wenn Sie offline trainieren (dh vor dem Start und nicht während des Spiels), kann ein anscheinend gut aussehender Datensatz Anomalien verbergen, die von einem Spieler gefunden wurden und leicht auszunutzen sind. Insbesondere ein neuronales Netzwerk entwickelt typischerweise eine Menge von Gewichten, die für das Studium ziemlich undurchsichtig sind, und die Entscheidungen, die dadurch getroffen werden, sind schwer zu überlegen. Für einen Designer wäre es schwierig, eine solche KI-Routine so anzupassen, dass sie wie gewünscht funktioniert.
Aber vielleicht ist das schlimmste Problem, dass GAs und NNs im Allgemeinen nicht die besten Werkzeuge für jede Spielentwicklungsaufgabe sind. Während gute Unterrichtsmittel, ist jeder mit ausreichenden Kenntnissen des Fachbereichs im Allgemeinen besser gerüstet, eine andere Methode zu verwenden, um ähnliche Ergebnisse zu erzielen. Dies kann alles sein, von anderen KI-Techniken wie der Unterstützung von Vektormaschinen oder Verhaltensbäumen bis hin zu einfacheren Ansätzen wie Zustandsmaschinen oder sogar einer langen Kette von Wenn-Dann-Bedingungen. Diese Ansätze nutzen in der Regel das Fachwissen des Entwicklers besser und sind zuverlässiger und vorhersehbarer als die Lernmethoden.
Ich habe jedoch gehört, dass einige Entwickler während der Entwicklung neuronale Netze verwendet haben, um einen Fahrer darin zu schulen, eine gute Route um eine Rennstrecke zu finden, und diese Route dann als Teil des Spiels versendet werden kann. Beachten Sie, dass für das endgültige Spiel kein neuronaler Netzwerkcode erforderlich ist, auch nicht das trainierte Netz.
Die "Kosten" der Methode sind übrigens nicht wirklich das Problem. Sowohl NNs als auch GAs können äußerst kostengünstig implementiert werden, wobei sich das NN insbesondere zur Vorberechnung und Optimierung eignet. Es geht wirklich darum, etwas Nützliches aus ihnen herausholen zu können.
Anwendungen von "akademischer" KI in Spielen neigen dazu, viel subtiler zu sein als die Arten von Dingen, die man normalerweise im Spielbereich als KI ansieht. Ein Großteil des Fokus meines Spiel-AI-Professors in meiner Schulzeit war KI für die Kamerasteuerung. Sein weiteres Interesse galt dem AI-Narrative-Management, das meines Wissens zum größten Teil noch auf die akademische Welt beschränkt ist. Ein bemerkenswertes Beispiel für diesen späteren Bereich wäre die Fassade .
Das Hauptproblem für "akademische" KI in Spielen ist, dass sie verschiedene Probleme lösen. Sie möchten im Spiel häufig keine Anforderungen erfüllen. du willst nur befriedigen. Wie bereits gesagt: Sie möchten nicht einfach sein, aber Sie möchten auch nicht, dass Ihr KI-Gegner zu schwierig ist.
Davon abgesehen verwendeten Lionheads Black and White- Spiele eine KI, die der oben gestellten Frage ähnelte, und waren zumindest so erfolgreich, dass sie eine Fortsetzung machten .
Ich erinnere mich an Berichte über strahlende KI aus "The Elder Scrolls IV: Oblivion" , die ursprünglich ebenfalls ein Beispiel für dieses Verhalten waren, aber wegen seltsamer unerwarteter Verhaltensweisen wie NPCs, die sich gegenseitig töten, wenn sie sich gegenseitig essen.
quelle
Sie sind schwer zu debuggen, so dass ein Fehler (möglicherweise durch versehentliche Überoptimierung verursacht) nicht einfach behoben werden kann. Aus diesem Grund sollte jedes neuronale Netzwerk, das für Spiele verwendet wird, während des Spiels in Echtzeit lernen. Es wurde jedoch beispielsweise das Spiel NERO verwendet.
quelle
Forza verwendet neuronale Netze für die Auto-KI. Nach allem, was ich gehört habe, haben sie alles im Voraus gelernt, bevor sie das Spiel ausgeliefert haben, daher ist es zur Laufzeit ein statisches neuronales Netzwerk.
Ein Freund von mir in dem Projekt hat mir davon erzählt, aber dieser Artikel spricht auch darüber: http://gamingbolt.com/forza-5-developer-best-explains-cloud-technology-create-ai-agents-to- für dich gewinnen
quelle
Da Sie nach Beispielen in der Industrie gefragt haben, ist dies einer für Sie: Der früheste mir bekannte Titel für verwendete neuronale Netze war Fantasy Empires, ein 1993 veröffentlichtes D & D TBS / Action-Spiel. Anscheinend verwendeten sie diese, um zu steuern, was die Dungeon-Meisterfigur sagen würde und Mach es "intelligent", aber "nicht vorhersehbar" ... wenn du das Spiel oft gespielt hast, kannst du dem nicht zustimmen! Die animierte Dungeon-Meisterfigur bietet mithilfe des NN eine Anleitung zu Ihrem Spielstil, basierend auf Ihren letzten Aktionen, aus einer Sammlung statischer Sound-Bites. Ich nehme an, es ist in der Tat ein sehr einfaches Netzwerk.
( Einzelheiten finden Sie auf Seite 57 des Handbuchs. )
quelle