从作弊到机器学习——足球AI概况
作者： alexjc
译者： 赖勇浩（恋花蝶）
原文地址：http://aigamedev.com/questions/football-ai-cheating-machine-learning
本文发表于恋花蝶的博客（http://blog.csdn.net/lanphaday），如蒙转载，敬请保留全文完整，包括保留本声明。
当谈起游戏人工智能的时候，大家通常都会比较多地关注FPS或者实时策略游戏，其实体育类游戏的挑战和解决方案同样值得关注。尽管在学术研究和游戏业界都没有多少公开的可供学习的成果，但我们仍然可以根据 EA 和 Take2 每年发布的产品来谈谈这个领域研究进展。
本周的题目来自 Anthony，他正在做一个与足球游戏相关的研究生课题：
“大家怎么看体育游戏的 AI ?我认为体育 AI 是比较困难的，因为没有像开发一个幻想风格游戏那样的自由度（因为玩家永远不会有真实体验那种场景的机会）。[译者注：这一段有点画鬼画神最易，画狗画猫最难的意思。]
每个人都参与过体育活动，他们对游戏有明确的期望。有人知道哪里有相关的学术资源可以让我深入学习一下么？”
通常而言，体育游戏的 AI 在结构上类似于 FPS 或 RTS 游戏：底层是控制和动画，中间层是个体的决策，上层是战术。但从每一层来看，它又与其它游戏大有不同。
截图1：Madden NFL 2008 拥有迄今为止最强的足球 AI
角色动画
玩家对体育模拟游戏期望越高，球员的运动就显得越为重要。游戏中角色移动、抱球、与其它角色的交互，应当极具真实感。这些都是建立在角色动画之上的。
看看到目前为止这一领域所做的研究工作，就可以肯定游戏中动画的重要性。许多动画项目都是由EA 或其它开发商出资或者资助的。如果你阅读一下 SIG 图形学会议的论文，会发现许多都使用了 AI 相关的技术：
在这一领域仍然有许多改进余地，但运动合成需要有非常多的工作要做。NaturalMotion是一个动画中间件，它致力于足球模拟（称为Backbreaker），遗憾的是它远不够成熟。
真实感动画在现在和可以预见的未来都只能使用动作捕捉。开发人员必定会抛弃利用一小段时间片进行物理反应模拟的方案，而是改用动作捕捉来尽可能快地提供有针对性的行为。
截图2：完美的截球动画在技术上极具难度
个体行为
在体育游戏架构的中间层，个体的AI 比起动画层就简单得多。它通常使用多个操控行为的组合来控制角色，如：远离对手、向目标前进和寻找开阔空间等。
这种个体的 AI 与传统的第一人称或第三人称射击游戏游戏的角色 AI 极其相似。它经常使用简单的决策生成技术，如有限状态机，来执行上层 AI 下达的战术。这个领域没有太多可供研究的东西，因为它易于理解。
参考阅读：
截图3：球员基本行为由有限状态机实现
战术 AI
从战术角度来看，体育游戏比起射击类游戏要简单得多：只有一个球场而非多个关卡，也用不到复杂的几何学。你唯一需要考虑的是团队的不同成员间的协作。尽管，这并不是小问题，但从许多游戏中可以知道 AI 开发人员只需要做好最重要的事：让球员在进攻和防守两方面都有不错的表现。
现在看来，在体育游戏中的可配接 AI 上的研究已经不少，尤其是《 Madden NFL 》游戏。多年来，开发者曾经简单地利用玩家的选择来作弊，现在则使用机器学习算法来完成这一课题。
- 这个PDF文档描述了 Madden 游戏从上世纪90年代中期到 2004 年的AI 历史。
- 大家也可以利用Alberta大学的研究项目来使用统计学习。
截图4：初始位置和每个球员的目标是战术的要素
你也深入观察过体育游戏的 AI 吗？你认为那些游戏的 AI 行为怎么样？
发表于 @ 2008年02月03日 18:24:00|评论(loading...)|编辑