Posts 第六课:游戏人工智能
Post
Cancel

第六课:游戏人工智能

游戏人工智能综述

人工智能在游戏中的应用

  • 赋能与效率
    • 游戏体验
    • 开发效率
  • 应用领域
    • 玩游戏
    • 内容生成
    • 玩家体验衡量

人工智能在游戏制作中的主要方法

决策

有限状态机(FSM)

离散、有限的性质

Screen Shot 2021-04-09 at 00.22.59

  • 优点
    • 快速简单
    • 计算开销少
  • 缺点
    • 状态过多的时候,难以维护

改进方式:分层

Screen Shot 2021-04-09 at 00.24.04

大状态是战斗、休息,小状态是内部的一些状态。

行为树(Behavior Tree)

Screen Shot 2021-04-09 at 00.26.39

  • 优点
    • 逻辑结构清晰
    • 行为数据与逻辑分离
    • 可重用
    • 可视化方便修改
  • 缺点
    • 遍历开销大
    • 过于抽象,节点颗粒度小

改进方式:因为每一个节点执行成功或失败,后续节点的执行是固定的。根据成功或者是失败可以获得多个序列

Screen Shot 2021-04-09 at 00.34.26

行为树就可以更换为数组的形式,用数组的形式来走这个迭代树会更不错一些,比如在内存中就节省更多空间。

GOAP

目标导向的决策方法

  • Goal Oriented Action Planning
  • GOAP:模块化
  • FSM:复杂性依赖AI
  • BehaviorTree:静态结构,不灵活

Goal:目标条件

Action:条件、效果、成本

Planner:择优规划满足目标的Action序列

Screen Shot 2021-04-09 at 00.38.08

棋盘游戏AI

  • 建模
    • 博弈树
    • 局面评估函数
    • 在当前状态找到最优分支

MiniMax算法

Alpha-Beta剪枝算法

蒙特卡洛算法

导航

A*/IDA🌟

路径搜索算法就看amitp的A*搜索算法概要

JPS

recast生成导航网格

高阶技巧

智能优化算法——遗传算法

  • 优点
    • 算法鲁棒性较强
    • 适用于所有赛道
  • 缺点
    • 不能解决动态因子影响
    • 技巧建模复杂
  • 改进方向
    • 监督学习
      • 利用玩家的录像训练模型,学习玩家跑法
    • 强化学习
      • AI反复跑图进化

监督学习

  • 高阶技巧不会使用(高阶技巧的样本在整个赛道中的占比很少)
  • 高手样本占比大,缺少异常样本(加入低水平样本,会拉低整体水平)
  • 复杂地图训练难度大(各种不同类型路段的地图)
  • 需要介入额外辅助程序(异常检测、复位)

强化学习

Screen Shot 2021-04-09 at 15.46.09

人工智能在游戏制作中的具体应用

人工智能在游戏运营中的应用实践

Screen Shot 2021-04-09 at 16.17.21

  • 抽取式与生成式的文本摘要
This post is licensed under CC BY 4.0 by the author.

第五课:分布式系统设计

第七课:游戏支撑系统

Trending Tags