从作弊到机器学习——足球AI概况

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 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 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1Madden 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?

 

 

 
阅读更多
所属专栏: Game AI
上一篇有限状态机时代终结的10大理由
下一篇Python 性能剖分工具
想对作者说点什么? 我来说一句

没有更多推荐了,返回首页

关闭
关闭
关闭