Ce diaporama a bien été signalé.
Nous utilisons votre profil LinkedIn et vos données d’activité pour vous proposer des publicités personnalisées et pertinentes. Vous pouvez changer vos préférences de publicités à tout moment.

『ゲームAI技術入門』講義用素材

2 240 vues

Publié le

『ゲームAI技術入門』
https://gihyo.jp/book/2019/978-4-297-10828-1

の本書に記載された図の三宅の元スライドを、教育の講義用素材として提供いたします。講義・授業などでご使用ください。

ダウンロードしてご使用ください。PPT形式となっています。
ご使用の際は本URLを参照先としてご銘記ください。

Publié dans : Formation
  • Soyez le premier à commenter

『ゲームAI技術入門』講義用素材

  1. 1. 『ゲームAI技術入門』 講義用素材 三宅 陽一郎 2019.10.4 ※教育・研究のために自由にご使用ください。
  2. 2. 本資料は改善を続けるため、ダウンロードURLが 変更する可能性がありますが、 https://www.slideshare.net/youichiromiyake/pre sentations から、たどれるようにしておきます。 ※教育・研究のために自由にご使用ください。 引用・参考先が記載されているものは、 そのままご銘記ください。
  3. 3. お問い合わせ • y.m.4160@gmail.com • Twitter: @miyayou • Facebook: https://www.facebook.com/youichiro.miyake • Slideshare https://www.slideshare.net/youichiromiyake/presentations • LinkedIn https://www.linkedin.com/in/miyayou/
  4. 4. 引用 参考 オリジナル オリジナル 修正しました
  5. 5. 第ゼロ章
  6. 6. 第1章:ゲームAIとは 第4章: 記憶 第2章: 知能のしくみ 第3章: 知識表現 第5章: 古典的な意思決定 第6章: 現代的な意思決定 第8章:群衆AI 第7章: ナビゲーションAIと地形認識 第11章: 学習、進化、プロシージャル技術 第9章: メタAI 第10章: 生態学的人工知能と キャラクターの身体性 第12章: ゲーム開発の品質保証・デバッグにおける人工知能技術の応用 メタAIキャラクターAI ナビゲーションAI ゲームの中のAI ゲームの外のAI 知識 思考
  7. 7. ゲームの中の人工知能 ナビゲーションAI キャラクターAI メタAI 環世界 アフォーダン ス 群衆・マルチエージェント エージェント アーキテクチャ 意思決定 学習・進化 戦術位置解析 プロシージャル技術 適応型動的 ペーシング ゲームの外の人工知能 知識表現 ブラックボード コミュニケーション 自律型AI 世界表現 古典的 メタAI 現代的 メタAI 遺伝的アルゴリズム ニューラルネット ワーク 強化学習 AIディレク ター
  8. 8. ゲームの中の人工知能 ナビゲーションAI キャラクターAI メタAI 環世界 アフォーダン ス 群衆 エージェント アーキテクチャ 意思決定 進化 / 適応/ 学習 戦術位置解析 プロシージャル技術 適応型動的 ペーシング ゲームの外の人工知能 知識表現 ブラックボード コミュニケーション 自律型AI 世界表現 古典的 メタAI 現代的 メタAI 遺伝的アルゴリズム ニューラルネット ワーク 強化学習
  9. 9. 人工知能全域 機械学習 ディープ ラーニング 統計 学習 コネクショニズム 記号主義 デジタルゲームAI
  10. 10. 4 第三次AIブーム(2010年代) 時間 知能の規模 1960 1990 2000 第一次AIブーム 第二次AIブーム 第三次AIブーム 1970 1980 2010 ルールベース 逆伝播法 データベース ディープ ラーニング 推論ベース ニューラル ネット誕生 コネクショニズム 記号主義 デジタルゲームAI
  11. 11. インターネットによる 膨大なデータ 4 第三次AIブーム(2010年代) 時間 規模 1960 1990 2000 第一次AIブーム 第二次AIブーム 第三次AIブーム 1970 1980 2010 ルールベー ス 逆伝播法 データベー ス ディープ ラーニング 推論ベー ス ニューラル ネット誕生 小型・中型 コンピュータの普及 大型コンピュータ 専門家のみのブーム
  12. 12. 第1章:ゲームAIとは 第4章: 記憶 第2章: 知能のしくみ 第3章: 知識表現 第5章: 古典的な意思決定 第6章: 現代的な意思決定 第8章:群衆AI 第7章: ナビゲーションAIと地形認識 第11章: 学習、進化、プロシージャル技術 第9章: メタAI 第10章: 生態学的人工知能と キャラクターの身体性 第12章: ゲーム開発の品質保証・デバッグにおける人工知能技術の応用 メタAIキャラクターAI ナビゲーションAI ゲームの中のAI ゲームの外のAI 知識 思考
  13. 13. 空間スケール 時間スケール 0 時空間スケールによる体験の段階的形成
  14. 14. 参考URL:人工知能学会「私のブックマーク」 https://www.ai-gakkai.or.jp/resource/my-bookmark/ https://www.ai-gakkai.or.jp/resource/my-bookmark/
  15. 15. 参考URL:人工知能学会「私のブックマーク」 https://www.ai-gakkai.or.jp/resource/my-bookmark/
  16. 16. 第一章
  17. 17. レベル ナビゲーション AI メタAI キャラクター AI エージェントを動的に配置 レベル状況を監視 エージェントに指示 ゲームの流れを作る 自律的な判断 仲間同士の協調 時にチームAIとなる メタAI, キャラクターAIの為に レベルの認識のためのデータを準備 オブジェクト表現を管理 ナビゲーション・データの管理 パス検索 / 位置解析 Support 敵キャラクタ- プレイヤー 頭脳として機能 情報獲得 コントロール オリジナル
  18. 18. オリジナル
  19. 19. ユーザーエクスペリエンス ユーザー Navigation AI が作る世界 メタAI が作る世界 エージェントAI が作る世界 「ナビゲーションAI」「メタAI」「エージェントAI」の多層的な仕組みでユーザー経験を作る。 オリジナル
  20. 20. 複数の時間スケールのゲームデザイン 0.1秒 10秒 1分 Will Wright のゲームデザイン論 SporeにおけるゲームAI技術とプロシージャル - DiGRA JAPAN (三宅陽一郎) http://digrajapan.org/?wpdmact=process&did=Ni5ob3RsaW5r オリジナル
  21. 21. 第二章
  22. 22. 知能 世界 セン サー インフォメーション・フロー(情報回廊) エフェ クター オリジナル
  23. 23. 世界 五感 身体 言語 知識表 現型 知識 生成 Knowledge Making 意思決定 Decision Making 身体 行動 生成 Action Making インフォメーション・フロー(情報回廊) 記憶 オリジナル 修正しました
  24. 24. センサー Sensor 知識生成 Knowledge Making 視覚 聴覚 触覚 言語 身体 感覚 欲求 世界の状態 知識 敵の数、位置、速度、 加速度、体力、魔力 環境の状態 天候、気温、特殊状況 アイテムの位置、 モンスターの性質 地形の属性 自分の状態と変化 自分の行 為(攻撃) の結果の 認識 差し迫った 脅威の 認識 言語的 認識 知識 表現
  25. 25. 知識‐行為=AIとオブジェクトの関係 知覚: - 緑色 - 丸い - 食べごろ - 大きい - つやつや - 割れる - ここを叩けばいいはず。 作用: - 食べる - 割る。 - 持ち上げる。 - 転がす。 知覚器官による情報 作用器官による行為の形成作用器官によって形成された行為 オリジナル
  26. 26. 意思決定機構 身体の表現としてのブラックボード 五感情報表現としてのブラックボード 記号的表現としてのブラックボード 知識生成 モジュール 行動生成 モジュール インフォメーション・フロー(感覚) インフォメーション・フロー(記号) 物理的・化学的な現象のフロー 記号情報 感覚情報 力学作用 抽象化 抽象化 具象化 具象化 記号情報 感覚情報 力学作用 オリジナル
  27. 27. 参考 CreatureSmarts: The Art and Architecture of a Virtual Brain, R. Burke, D. Isla, M. Downie, Y. Ivanov, B. Blumberg, GDC 2001 [pdf] http://www.naimadgames.com/publications/gdc01/gdc01.pdf
  28. 28. ワーキングメモリー (ブラックボード)アクション・システム 内部ブラックボード ゲーム世界 ゲーム世界 センサーシステム 知覚システム 身体感覚システム ターゲット・セレクション アクション・セレクション ナビゲーション・システム 身体制御システム 注目しているオブジェクト AIが指定する身体状態 実際の現在の身体状態 The World The World Sensory System Proprioceptive System Working Memory Navigation System Motor System Action Selection Target Selection Internal Blackboard Object Attention Motor Desired Motor Actual ブラック ボード KS群 KS KS KS KS KS KS KS
  29. 29. ブラックボード・アーキテクチャ(Blackboard Architecture) Blackboard KS KS KS KS KS KS Arbiter Motivations Emotions Attention Etc. 特徴: - 中央の黒板に情報が蓄積される(されて行く)。 - モジュールはKS(=Knowledge Source)と呼ばれ、特定の専門的な知識や技術に基づいた操作を 黒板の情報に対して行う。 - Arbiter(=調停者)がKSをどのように(順序、タイミングなど)動作させるかを行う。 Bruce Blumberg , Damian Isla, "Blackboard Architectures", AI Game Programming Wisdom (Charles River Media) , 2002
  30. 30. オリジナル
  31. 31. Global Workspace Theory (GWT) 注意の焦点 Focus of Attention (スポットライト) 舞台裏の人々=ディレクター、シーンデザイナー、など。 コンテキストの生成とコントロール(舞台裏) ワーキングメモリ (Scene,Stage) 専門 プロセッサー (観客) ブロードキャスト テンポラリー な連携 Arrabales, R. Ledezma, A. and Sanchis, A. “Towards the Generation of Visual Qualia in Artificial Cognitive Architectures”. (2010) http://www.conscious-robots.com/raul/papers/Arrabales_BICS2010.pdf
  32. 32. Global Workspace Theory (GWT) 注意の焦点=意識 Focus of Attention ワーキングメモリ (ステージ) KS群 テンポラリー な連携 Arrabales, R. Ledezma, A. and Sanchis, A. “Towards the Generation of Visual Qualia in Artificial Cognitive Architectures”. (2010) http://www.conscious-robots.com/raul/papers/Arrabales_BICS2010.pdf (スポットライト) 書き込み
  33. 33. コア レイヤー 物理ワーキングメモリ (ステージ、ブラックボード) KS群 書き込み 書き込み 課題解決ワーキングメモリ (ステージ、ブラックボード) フィードバック (スポットライト) (スポットライト)
  34. 34. 第三章
  35. 35. オリジナル
  36. 36. オリジナル 視野領域 対象 レイ・キャスティング キャラクター 障害物
  37. 37. オリジナル 障害物
  38. 38. オリジナル 視野領域 対象 レイ・キャスティング キャラクター 障害物
  39. 39. Object Persistence for Synthetic Creatures, D. Isla, B. Blumberg, Autonomous Agents and Multi-agent Systems (AAMAS) 2002. http://www.naimadgames.com/publications/aamas02/aamas02.pdf 引用
  40. 40. オリジナル 音源 障害物 伝搬半径 聴こえない 聴こえる 聴こえる
  41. 41. 音の発生源イベント タイプ 半径 歩く 疑う(調査開始) 5m 走る 疑う(調査開始) 10m スキル発動(静かに) 疑う(調査開始) 15m スキル発動(うるさく) 疑う(調査開始) 35m ピストル 脅威(戦闘開始) 40m ライフル 脅威(戦闘開始) 40m 爆発(小さい) 脅威(戦闘開始) 25m 爆発(大きい) 脅威(戦闘開始) 50m
  42. 42. オリジナル
  43. 43. オリジナル 音の伝搬経路
  44. 44. 遮蔽版 オリジナル ナビゲーションメッシュ を用いた音の伝搬経路 仮想の遮蔽版を用いた音の伝搬経路 ナビゲーションメッシュ
  45. 45. 参考 CreatureSmarts: The Art and Architecture of a Virtual Brain, R. Burke, D. Isla, M. Downie, Y. Ivanov, B. Blumberg, GDC 2001 [pdf] http://www.naimadgames.com/publications/gdc01/gdc01.pdf 出現予測時刻を推定壁など遮蔽物 対象(羊)の 速度、時刻を記憶
  46. 46. 参考 CreatureSmarts: The Art and Architecture of a Virtual Brain, R. Burke, D. Isla, M. Downie, Y. Ivanov, B. Blumberg, GDC 2001 [pdf] http://www.naimadgames.com/publications/gdc01/gdc01.pdf 出現予測時刻を推定壁など遮蔽物 対象(羊)の 速度、時刻を記憶
  47. 47. 牧羊犬 壁 羊 目撃 予測 時間 距離 o 5秒 10m
  48. 48. プレイヤー 敵キャラクター 隠れるポイント オリジナル
  49. 49. プレイヤー 敵キャラクター 隠れるポイント プレイヤーから見えないポイント オリジナル
  50. 50. プレイヤー 敵キャラクター 隠れるポイント オリジナル
  51. 51. プレイヤー 生成された 候補ポイント プレイヤーから見えないポイント 敵キャラクター オリジナル
  52. 52. プレイヤー 敵キャラクター プレイヤーから見えないポイント 生成された 候補ポイント
  53. 53. プレイヤー プレイヤーから見えないポイント 生成された 候補ポイント 敵キャラクター オリジナル
  54. 54. プレイヤー 残ったポイントの中で プレイヤーから一番近い ポイント 生成された 候補ポイント 敵キャラクター オリジナル
  55. 55. 敵キャラクター オリジナル
  56. 56. オリジナル
  57. 57. 評判システム Group Reputation Farmers Neural Lawmen Hate Bandits Like Player Hate Townspeople Neural Memory Element 1 2 3 5 Master Event List 1. Bandit Killed Farmer 2. Player Aided Lawmen 3. Player Killed Bandit 4. Player TradedWith Townsperson 5. […] Bandit この盗賊(Bandit)は、Player が味方(Bandit)を殺し、 敵である保安官(Lawmen)を助けたことを聞いて、Player を嫌っている。 NPCごとの記憶 Greg lt, Kristin King, “A Dynamic Reputation System Based on Event Knowledge”, 8.6, AI Game Programming Wisdom 引用
  58. 58. 評判システム T Memory Element 1 2 3 5 Master Event List 1. Bandit Killed Farmer 2. Player Aided Lawmen 3. Player Killed Bandit 4. Player TradedWith Townsperson 5. […] Bandit この盗賊(Bandit)は、Player が味方(Bandit)を殺し、 敵である保安官(Lawmen)を助けたことを聞いて、Player を嫌っている。 NPCごとの記憶 Greg lt, Kristin King, “A Dynamic Reputation System Based on Event Knowledge”, 8.6, AI Game Programming Wisdom 引用
  59. 59. Event Announcer B1 B2 B3 イベント登録 一定半径内のNPCに 3をアナウンス B3 B4 敵同士の場合 伝言しない 他の場所でNPC同士が ばったり出会う Greg lt, Kristin King, “A Dynamic Reputation System Based on Event Knowledge”, 8.6, AI Game Programming Wisdom Player NPC NPC NPC NPC NPC NPC Master Event List 参照回数 1. Bandit Killed Farmer 4 2. Player Aided Lawmen 1 3. Player Killed Bandit 4 4. 5. 事件発生ポイント Player Killed Bandit. 参考
  60. 60. (NPC Aが Joe に出会ったときには、Joe は既に死んでいた) Joe was Killed by unknown group (Joe が Lawmen に撃たれているのを目撃) Joe was shot by lawmen group Joe was killed by lawmen group 不完全な情報から 情報を再構築 思い込みかも…でも、それでいい。 人間とはそういうものじゃないか…(という開発方針) Greg lt, Kristin King, “A Dynamic Reputation System Based on Event Knowledge”, 8.6, AI Game Programming Wisdom NPC NPC NPC NPC 参考
  61. 61. 引用
  62. 62. Event Announcer B1 B2 B3 イベント登録 一定半径内のNPCに 3をアナウンス B3 B4 敵同士の場合 伝言しない 他の場所でNPC同士が ばったり出会う Greg lt, Kristin King, “A Dynamic Reputation System Based on Event Knowledge”, 8.6, AI Game Programming Wisdom Player NPC NPC NPC NPC NPC NPC Master Event List 参照回数 1. Bandit Killed Farmer 4 2. Player Aided Lawmen 1 3. Player Killed Bandit 4 4. 5. 事件発生ポイント Player Killed Bandit. 参考 参照回数を+1
  63. 63. オリジナル
  64. 64. Master Event List 参照回数 1. Bandit Killed Farmer 4 2. Player Aided Lawmen 1 3. Player Killed Bandit 11 4. 5. Subject Group Player Verb DidViolenceTo Object Group Bandit Object Individual Joe Magnitude 75(Killed) Where 50,20,128(In front of saloon) When High noon Template KilledBanditTemplate ReferenceCount Known by 11 NPCs Reputation Effects Bandits hate player more Lawmen like player more Farmers like player more Greg lt, Kristin King, “A Dynamic Reputation System Based on Event Knowledge”, 8.6, AI Game Programming Wisdom 引用
  65. 65. 評判システム(情報交換) メモリーマッチング NPCごとの記憶 Memory Element 信頼度 取得時刻 1 43 0:13:43 3 76 1:4:53 7 63 1:7:45 11 12 1:24:54 12 52 2:6:55 NPCごとの記憶 Memory Element 信頼度 取得時刻 2 43 0:15:13 4 87 0:46:3 7 12 2:17:56 15 53 2:14:45 71 84 3:56:15 同じイベントに対する情報がある場合は、信頼度の高い方の情報に上書き 同じ対象(例えばJoe)に対する情報がある場合は、新しい情報に上書き 上書きするイベント → Master Event List の参照回数+1 消去されるイベント → Master Event List の参照回数-1 (Master Event List で参照回数が0になればリストから消去) Greg lt, Kristin King, “A Dynamic Reputation System Based on Event Knowledge”, 8.6, AI Game Programming Wisdom NPC NPC 参考
  66. 66. メモリーマッチング NPCごとの記憶 Memory Element 信頼度 取得時刻 1 43 0:13:43 3 76 1:4:53 7 63 1:7:45 11 12 1:24:54 12 52 2:6:55 NPCごとの記憶 Memory Element 信頼度 取得時刻 2 43 0:15:13 4 87 0:46:3 7 12 2:17:56 15 53 2:14:45 71 84 3:56:15 同じイベントに対する情報がある場合は、信頼度の高い方の情報に上書き 同じ対象(例えばJoe)に対する情報がある場合は、新しい情報に上書き 上書きするイベント → Master Event List の参照回数+1 消去されるイベント → Master Event List の参照回数-1 (Master Event List で参照回数が0になればリストから消去) Greg lt, Kristin King, “A Dynamic Reputation System Based on Event Knowledge”, 8.6, AI Game Programming Wisdom NPC NPC
  67. 67. 斥候役キャラクター レイ オリジナル
  68. 68. sayouse 世界 五感 身体 言語 知識表 現型 知識 生成 Knowledge Making 意思決定 Decision Making 身体 運動 生成 Motion Making インフォメーション・フロー(情報回廊) 記憶 作用世界感覚世界 オリジナル
  69. 69. 環世界のスキーム(機能環) 実行器 受容器 知覚と作用で客体を“つかんでいる“ 客体 作用器官 知覚器官 “現実”(主観世界)の構成要素 ユクスキュル/クリサート 「生物から見た世界」 (岩波文庫) 知覚世界作用世界 参考
  70. 70. 効果器 受容器(刺激→興奮(記号)) 客体 活動神経網 知覚神経網 前野佳彦訳・ユクスキュル「動物の環境と内的世界」 (みすず書房) 知覚世界作用世界 知覚指標 対象化された機構 作用指標 内的世界 興奮 興奮興奮
  71. 71. 環世界 ゲーム世界 AIはそのままでは 理解できない。 感覚世界 身体と 接触し 運動を 展開する 対象として 認識する 欲求が 喚起される 作用世界 知覚世界 オリジナル
  72. 72. オリジナル
  73. 73. オブジェクト表現 車 レバー ドアの知識表現 位置 x: 3.0 y:.10,0 レバーで開けることが出来る 壊して開けることが出来る 車の知識表現 位置 x: 3.0 y:.2,0 乗って動かすことが出来る。 時速80kmで動く。 レバーの知識表現 位置 x: 5.0 y:.5,0 引くが出来る。 (結果:ドアが開く) ドア ドアの知識表現 位置 x:3.0 y:10.0 レバーを引くと開く(ルール) レバーの知識表現 位置 x:5.0 y:5.0 引くことができる(アフォーダンス). レバーを引くとドアが開く(ルール) 車の知識表現 位置 x:3.0 y:2.0 運転することができる. 最大速度: 80km 物に対する表現 オリジナル
  74. 74. sayouse 世界 五感 身体 言語 知識表 現型 知識 生成 Knowledge Making 意思決定 Decision Making 身体 運動 生成 Motion Making インフォメーション・フロー(情報回廊) 記憶 作用世界感覚世界 オリジナル
  75. 75. 第四章
  76. 76. 遅延反応系 INPUT OUTPUT 時間 情報抽象度 反射的に行動 少し場合ごとに対応 抽象的に思考 理論的に考える 言語化のプロセス 反応を遅延させるところに、知性の生じるチャンスがある。 オリジナル
  77. 77. 旋回タイプ 旋回半径 (最大スピード旋回半径 にかけるファクター) 旋回に要する時間 (推定時間からの 修正値) 最大有効距離 (旋回までに要する 距離) スムーズな カーブ 1.00 -0.35 なし スムーズな カーブ 0.5 -0.35 なし 反転 0.75 -0.20 30m カーブターン 5.0 -0.15 なし カーブターン 1.0 -0.15 なし
  78. 78. コップは机の 上にある 階層2 コ ッ プ 机 机の上にコップ に水を灌ぐ コ ッ プ 机 水 机の上にコップ に水を灌いで お盆に載せる コ ッ プ 机 水 お 盆 オリジナル
  79. 79. 引用 Javaによる知的エージェント入門 単行本 – 2002/9 ジョゼフ・P. ビーガス (著), ジェニファー ビーガス (著), Joseph P. Bigus (原著), & 2 その 他
  80. 80. 生き物 モンスター ドラゴン スーパードラゴン 2 2 翼 牙 口 しっぽ is-a has-part has-part has-part num-牙 (牙の数) num-翼 (翼の数) 4 num-翼 (翼の数) has-part is-a is-a
  81. 81. 生き物 モンスター ドラゴン スーパードラゴン 2 2 翼 牙 口 しっぽ is-a has-part has-part has-part num-牙 (牙の数) num-翼 (翼の数) 4 num-翼 (翼の数) has-part is-a is-a
  82. 82. 魔法 回復・補助魔法 攻撃魔法 時間魔法 蘇生 魔法 回復 魔法 状態変 化魔法 水系 魔法 水系 魔法 雷系 魔法 ア ラ イ バ ル ケ ホ イ り ゲ ケ ホ イ ル デ ポ イ ゾ ン フ ァ イ ラ ル ウ オ ラ ル カ ミ ナ リ ク ロ ノ ス ト ッ プ ゲ フ ァ イ ラ ル 42 6 22 8 13 4 9 15 40 12 消費魔法力
  83. 83. キャラクター (AI) 敵A 時刻=1の位置 時刻=2の位置 時刻=4の位置 ワーキングメモリ 時刻0で位置Xで目撃した 時刻1で位置Xで目撃した 時刻2で位置Xで目撃した オリジナル 時刻=0の位置 目撃
  84. 84. 固定記憶 長期記憶 短期記憶 注意の焦点 リコール スタック http://www.123rf.com/photo_10039937_foggy-forest-at-the-morning-at-autumn.html ワーキングメモリ 認識のレイヤー オリジナル
  85. 85. 感覚記憶 耳で聞いたこと 目で見たこと 触った感じ 鼻でかいだこと 味わったこと 記憶+信頼度 オリジナル
  86. 86. オリジナル
  87. 87. ゴブリンX {いつ … 496秒 どこで … 部屋B どのように … 強く 誰に … 壁に 何をした … 穴を掘った なぜ … UNKNOWN 声 … 大きい 力 … UNKNOWN 色 … 黒い } 部屋C {スイッチ … 一つ - [アフォーダンス] … 押せる -- [結果]…モンスターが出る 過去 … パーティが全滅した 状態 …床が泥だらけ } オリジナル
  88. 88. 記憶の論理階層構造 二次記憶平面 一次記憶平面 三次記憶平面 抽象度 オリジナル
  89. 89. 信頼度 時間 1.0 知っている 知らない メタ記憶 敵の位置 知らない 敵の位置 知っている オリジナル
  90. 90. 空間的広さ 時間的頻度 センサーのウィンドウ (たとえば視野角) 狭いセンサー領域 (更新頻度高い) 広いセンサー領域 (更新頻度低い) オリジナル
  91. 91. メタ記憶 インデックス 記憶の中身 メタ記憶 インデックス 記憶の中身 メタ記憶 インデックス 記憶の中身 メタ記憶 インデックス 記憶の中身 メタ記憶 インデックス 記憶の中身 一定期間ごとに 全体を更新する オリジナル
  92. 92. 第五章
  93. 93. インプット アウトプット インプット 記憶 目標 計画 反射型意思決定 アウトプット 非反射型意思決定 オリジナル
  94. 94. ルール セレクター ルール1: IF (…) THEN (…) ルール2: IF (…) THEN (…) ルール3: IF (…) THEN (…) ルールN: IF (…) THEN (…) …. オリジナル
  95. 95. プレイヤー 敵(AI) 敵(AI) オリジナル
  96. 96. 巡回 攻撃 敵を見つけた 敵を見失った ステート 遷移条件 オリジナル
  97. 97. 巡回 攻撃 敵を見つけた 敵を見失った ステート 遷移条件 待機 敵を見つけた 15秒経った 1. オリジナル
  98. 98. オリジナル
  99. 99. (Example) Quake HFSM http://ai-depot.com/FiniteStateMachines/FSM-Practical.html Monster’s FSM 登場 待機 攻撃 戦闘不能 前進 攻撃 ミサイル スマッ シュ 左攻 撃 右攻 撃 登場シーン終り 目標を見失う 目標を見つける 体力0 体力0 近い時 遠い時 ランダム
  100. 100. 40 50 100スタミナ 60 80 20攻撃力 オリジナル
  101. 101. 0.6 0.5 0.0 スタミナ (反転) 0.75 1.0 0.25攻撃力 オリジナル
  102. 102. 0.4 0.5 1.0スタミナ 0.75 1.0 0.25攻撃力 オリジナル
  103. 103. 0.6 0.5 0.0 スタミナ (反転) 0.75 1.0 0.25攻撃力 0.705 0.85 0.175効用 x0.3 x0.7 オリジナル
  104. 104. [原理] ムードの値を最大化する行動を選択する. 最適な行動を選択する Hunger +20 Comfort -12 Hygiene -30 Bladder -75 Energy +80 Fun +40 Social +10 Room - 60 Mood +18 トイレ - 排泄する (+40 Bladder) - 洗う (+30 Room) - 詰まりを取る (+40 Room) Mood +26 お風呂 - 入る (+40 Hygiene) (+30 Comfort) - 洗う (+20 Room) Mood +20 http://users.cs.northwestern.edu/~forbus/c95- gd/lectures/The_Sims_Under_the_Hood_files/v3_document.htm
  105. 105. What is mood ? Mood = W_Hunger(X_Hunger) * X_Hunger + W_Engergy(X_Energy) * X_Energy + … -100 0 100 -100 0 100 -100 0 100 -100 0 100 -100 0 100 -100 0 100 -100 0 100 -100 0 100 W_Hunger W_Energy W_Comfort W_Fun W_Hygiene W_Social W_Bladder W_Room http://users.cs.northwestern.edu/~forbus/c95- gd/lectures/The_Sims_Under_the_Hood_files/v3_documen t.htm
  106. 106. X_Hunger W_Hunger(40) -40 20 W_Hunger(20) Δ(-40 → 20) = W_Hunger(20)*(20) - W_Hunger(-40)*(-40) Δ (20→ 80) = W_Hunger(80)*(80) - W_Hunger(20)*(20) 80 W_Hunger(80) Δ(-40 → 20) は Δ(20→60) よりずっと大きい Utility for hunger W_Hunger オリジナル
  107. 107. 第六章
  108. 108. 時間 時間 反射型意思決定アルゴリズム ゴールべース意思決定 現在 現在 ゴール 刺激・情報(過去~現在) 行動 行動プラン 刺激・情報(過去~現在) 「ゴールを決定する」過程 「ゴールから行動を創る」過程 =プランニング 刺激・情報から一つの 行動を意思決定する
  109. 109. K P J K P J K P J K P J K P J K P J K P J K P J K P J フォワード型 プランニング X X X X ○ X X X × X ○ X X X × 失敗 成功 成功 K P J キック パンチ ジャンプ オリジナル
  110. 110. • kSymbol_AtNode どのノードにいるか? • kSymbol_WeaponArmed 武器を持っているか? • kSymbol_TargetIsSuppressed 威嚇されているか? • kSymobol_TargetIsAimingAtMe 自分を狙っているか? • kSymbol_AtNodeType どのタイプのノードにいるか? • kSymbol_UsingObject オブジェクトを使っているか? • kSymbol_WeaponLoaded 武器は装填されているか? • kSymbol_RidingVehicle 車に乗っているか? • kSymbol_TargerIsDead 戦闘不能か? • … … Jeff Orkin, “3 States and a Plan: The AI of F.E.A.R.", http://web.media.mit.edu/~jorkin/gdc2006_orkin_jeff_fear.zip 参考
  111. 111. Preparation for Planning ゲーム世界のシンボル表現 Let’s represent the world AI recognize more simple. Agent-centric Representation kSymbol_AtNode kSymbol_TargetIs AimingAtMe kSymbol_ WeaponArmed kSymbol_ WeaponLoaded kSymbol_Target IsSuppressed kSymbol_ UsingObject kSymbol_ TargetIsDead kSymbol_ RidingVehicle kSymbol_AtNodeType The World is represented by only 20 symbols . Jeff Orkin, “3 States and a Plan: The AI of F.E.A.R.", http://web.media.mit.edu/~jorkin/gdc2006_orkin_jeff_fear.zip 参考
  112. 112. ターゲット 戦闘不能 魔法攻撃 魔法力満タン 魔法薬を飲む 魔法薬持つ 魔法薬を拾う 条件なし ゴール指向型 アクションプランニング プラナー ゴールアクション・プール 連鎖 連鎖 連鎖 前提 プールから検索 プールから検索 プールから検索 魔法薬持つ 結果 行為 魔法力満タン ターゲット 戦闘不能 オリジナル
  113. 113. ゴール 初期状態 コスト:4 コスト:6 コスト:7 コスト:3 コスト:1 コスト:2コスト:1 オリジナル
  114. 114. ゴールはより小さなゴールから組み立てられる Goal Goal Goal Goal Goal Goal Goal Goal Goal CEDEC2006「クロムハウンズにおける人工知能開発から見るゲームAIの展望」(三宅陽一郎) http://cedil.cesa.or.jp/session/detail/50 オリジナル
  115. 115. 映画を見たい 映画館に行く 映画を見る 映画館は新宿だ 映画館まで歩く 新宿駅に行く 晴れなら 新宿駅へ歩く 雨なら 電車で新宿へ 駅まで歩く 電車に乗る 階層型ゴール指向型プランニングの考え方ル
  116. 116. クロムハウンズにおける 階層型ゴール指向型プランニング パスに沿って 移動する 通信塔を 見つける パスを見つける通信塔 へ行く 通信塔 を占拠 通信塔を 占領する 撃つ 歩く 止まる 通信塔の 周囲に 10秒間いる 戦術 / 振る舞い ロボット操作 コマンド ゴール オリジナル
  117. 117. 最も近い敵を倒す 最も近い敵を探す ターゲットへ行く ターゲットを倒す 巡回する 待機する ターゲットの座標へ パス検索する パスをフォローする 最適な攻撃距離まで 移動する 攻撃する オリジナル
  118. 118. オリジナル
  119. 119. タスクベースAI タスク(=仕事)を単位として構築する方法 タスク(=仕事)の表現は様々なだが、具体的な 仕事の内容を示したものでなければならない。 (単純な場合) 初期状態 ゴールTask1 Carry A to Ground Task2 Carry B to Ground Task3 Carry C on B A B C B C AA B C A BC A C B Task3 Carry A on C オリジナル
  120. 120. りんごを届ける お店に行く リンゴを買う 友人に届ける 順序構造 「リンゴを届ける」のサブタスク 階層構造を持つタスク「リンゴを届ける」 オリジナル
  121. 121. オリジナル
  122. 122. メソッド (=タスクの分解の仕方) 回復薬を作る (タスク) 回復薬を運ぶ (タスク) 回復薬を届ける (タスク) オリジナル
  123. 123. メソッド (=タスクの分解の仕方) 袋入 れる ブランチ 全色集める ブランチ 赤と青を集める ブランチ 赤と緑を集める 青拾う 赤拾う 緑拾う 袋入 れる 緑拾う 緑拾う 袋入 れる 赤拾う 青拾う 赤拾う青拾う 順序なしタスク 全順序タスク 局所的順序タスク 全色広場にある 広場には赤と緑の宝石がある 赤と青の宝石がある 原初タスク 回復薬を作る (タスク) 前提条件 オリジナル
  124. 124. メソッドメソッド 馬車に 載せる 馬車を呼ぶ 戦場まで行 く 荷を載せる 宝箱に 札をつける 宝箱に 入れる 順序なしタスク 全順序タスク 局所的順序タスク 馬車を持っている 原初タスク 回復薬を運ぶ (タスク) 前提条件 荷を載せる 馬車が近くにある 局所的順序タスク オリジナル
  125. 125. 袋入 れる 青拾う 赤拾う青拾う スタート 馬車 を 呼ぶ 戦場 まで 行く ゴール 馬車 に載 せる 宝箱 に札を つける 宝箱 に入 れる オリジナル
  126. 126. 「Killzone 2」におけるチームの構造図と コミュニケーション・パス 司令官のAI 部隊長のAI 各 メ ン バ | の AI 各 メ ン バ | の AI 各 メ ン バ | の A 部隊長のAI 各 メ ン バ | の AI 各 メ ン バ | の A 各 メ ン バ | の AI 部隊長のAI 各 メ ン バ | の A 各 メ ン バ | の AI 各 メ ン バ | の A 防衛、前進など戦術を指示 戦術の成功・失敗を報告 (フィードバック) 移動地点を指示 ターゲット指示 指示の再発行要求 指示の再発行要求 KILLZONE 2 MU https://www.g 参
  127. 127. 各メンバーのエージェント・アーキテクチャ 部隊長から の命令 メッセージ 情報 統合 World State HTN プランナー 計画 タスク 実行機 コントローラー インプット 知能内部 感覚刺激 認識 脅威 KILLZONE 2 MULTIPLAYER BOTS https://www.guerrilla-games.com/read/killzone-2-multiplayer-bots 参考
  128. 128. 各メンバーのエージェント・アーキテクチャ 部隊長から の命令 メッセージ 情報 統合 World State HTN プランナー 計画 タスク 実行機 コントローラー インプット 知能内部 感覚刺激 認識 脅威
  129. 129. 部隊長のエージェント・アーキテクチャ 司令官から の命令 各兵士から の報告 情報 統合 World State HTN プランナー 計画 タスク 実行機 各メンバー への命令 知能内部 メモリ領域 実行モジュール KILLZONE 2 MULTIPLAYER BOTS https://www.guerrilla-games.com/read/killzone-2-multiplayer-bots参考
  130. 130. 銃で攻撃 ロケットで攻撃 銃で攻撃 ロケットで 攻撃 敵がヒューマノイド 射程距離内 敵はヒューマノイドでも砲台でもない 射程距離内 武器を選択して攻撃 (タスク) 装填 攻撃 終了 装填 攻撃 終了 KILLZONE 2 MULTIPLAYER BOTS https://www.guerrilla-games.com/read/killzone-2-multiplayer-bots参考
  131. 131. … 前進 なし 拠点を防衛するように命令する (タスク) それまでのメンバーデータを消去 新しくメンバーの状況を収集 命令発行シークエンス起動 (これまでの行動を停止せよ) 前進命令を発行 到着したら停止命令 拠点を防衛せよ KILLZONE 2 MULTIPLAYER BOTS
  132. 132. かがみながら近づく 行動する (タスク) 治療プランスタート 治療を周囲に通達 車 防御 ターゲットを選択 治療器具を使用する 徒歩前進 治療 行動 中止 継続 開始 治療 器具変更なし 器具変更あり メソッド適用 メソッド適用 メソッド適用 メソッド適用
  133. 133. Handling Complexity in the Halo 2 AI, D. Isla, GDC 2005 http://naimadgames.com/publications.html参考
  134. 134. root バトル 撤退 休憩 攻撃 隠れる 逃走する 足止め する 立ち止まる 回復する トラップを 仕掛ける 眠る 回復薬を 飲む 弓を放つ 剣を振る 森に潜む 穴を掘る 建物に 隠れる 攻撃魔法 氷系 風系プライオリティ プライオリティ シークエンス シークエンス ランダム プライオリティ ランダム プライオリティ ランダム ビヘイビア (末端ノード) 層 層 選択ルール 選択ルール オリジナル
  135. 135. root バトル 撤退 休憩 攻撃 隠れる 逃走する 足止め する 立ち止まる 回復する トラップを 仕掛ける 眠る 回復薬を 飲む 弓を放つ 剣を振る 森に潜む 穴を掘る 建物に 隠れる 攻撃魔法 氷系 風系プライオリティ プライオリティ シークエンス シークエンス ランダム プライオリティ ランダム プライオリティ ランダム ビヘイビア (末端ノード) 層 層 選択ルール 選択ルール
  136. 136. シミュレーション・ベース 加速・減速など自由な軌道を描けるAIが、複雑な地形を通過するときに、 複数の運動シミュレーションを走らすことで、もっともエレガントな軌道を見出す。 パス経路(たどるべきメッシュの順番) しかし、実際の細かい軌道は運動が作る。 オリジナル
  137. 137. シミュレーション・ベース そのままの速度で行くと衝突するポイント 減速することで対応する。 減速 ジャンプするシミュレーションを行うことで、 成功するジャンプを見出して実行する。 速度 ジャンプ開始距離 ジャンプ角度 オリジナル
  138. 138. 旋回半径 速度 速度 旋回半径 速度と旋回半径の関係シミュレーションによる複数の速度とその旋回半径 サンプルポイントから カーブを作成 オリジナル
  139. 139. 速度を調整 理想的なコースライン 速度 旋回半径 目標旋回半径 目標速度 オリジナル
  140. 140. eeeeeeeee eeeeeeeee 18 プレイアウト プレイアウト = 白(18手)を評価するために、 それ以降を合法手(ルール)の中から適当に討つ。 オリジナル
  141. 141. ゴール スタート オリジナル
  142. 142. Ⓒ2014 SQUARE ENIX CO., LTD. All Rights Reserved. 第七章
  143. 143. 空間を認識するとはどういうことか? オリジナル
  144. 144. ゲーム世界 知識表現 知識表現と作用世界・知覚世界 AIはそのままでは 理解できない。 作用世界 知覚世界 AIは知識表現を通して世界を見る。それはAIの主観を決定し、 作用世界と知覚世界も決定する。 AI オリジナル
  145. 145. 知識表現 世界表現 事実 表現 敵表現 リスト オリジナル 依存 グラフ 意味 ネット ワーク ルール ベース 表現 … …
  146. 146. 石 = 属性:堅い 尖っている 中くらい 行動:投げることができる 地面に文字を書くことができる。 オリジナル
  147. 147. いろいろな知識表現 事実表現(信頼度表現) 意味ネットワーク 敵表現リスト 依存グラフ ルールベース表現 世界表現 センシングデータ 場所 (x,y,z) 信頼度:0.99 行動 shoot 0.99 体力 47 0.99 演繹データ 脅威度 0.8 重要度 0.9 意志 hurt_me 参考 Javaによる知的エージェント入門 単行本 – 2002/9 ジョゼフ・P. ビーガス (著), ジェニファー ビーガス (著), Joseph P. Bigus (原著), & 2 その他 Beyond Behavior: An Introduction to Knowledge Representation, D. Isla, P. Gorniak, AI Summit http://naimadgames.com/publications.html
  148. 148. いろいろな知識表現 事実表現(信頼度表現) 意味ネットワーク 敵表現リスト 依存グラフ ルールベース表現 世界表現 センシングデータ 場所 (x,y,z) 信頼度:0.38 行動 move 0.72 体力 47 0.45 演繹データ 脅威度 0.3 重要度 0.8 意志 escape_from_me 5W1H : 信頼度 { when : 63% who : 25% where : 20% what : 32% why : 50% how : 33% }
  149. 149. いろいろな知識表現 事実表現(信頼度表現) 意味ネットワーク 敵表現リスト 依存グラフ ルールベース表現 世界表現 センシングデータ 場所 (x,y,z) 信頼度:0.38 行動 move 0.72 体力 47 0.45 演繹データ 脅威度 0.3 重要度 0.8 意志 escape_from_me 5W1H : 信頼度 { when : 63% who : 25% where : 20% what : 32% why : 50% how : 33% } 太陽の剣 太陽の印 鋼鉄の剣 石板 鋼鉄 木の剣
  150. 150. いろいろな世界表現 ナビメッシュ-ウェイポイント 階層表現 LOS マップ表現 マップクラスタリング表現 敵配位マップ表現 テリトリー表現 戦術ポイント表現 Halo2Killzone Killzone2Halo Assassin’s Creed Left 4 Dead 前線 中継 後衛 Alex J. Champandard, Remco Straatman, Tim Verweij, "On the AI Strategy for KILLZONE 2's Bots” http://aigamedev.com/open/coverage/killzone2/ Damian Isla,"Building a Better Battle: HALO 3 AI Objectives", http://halo.bungie.net/inside/publications.aspx Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference , http://www.valvesoftware.com/company/publications.html
  151. 151. ネットワーク上のグラフ検索法 ダイクストラ法 M F L B A S O P D C G S V H Q X K N J R T W E I U Z Y G 54 6 3 7 23 B C 3 G D E 3 2 24 L 3 3 5 5 J F 出発点(S)を中心に、最も短い経路を形成して 行く。Gにたどり着いたら終了。 各ノードの評価距離=出発点からの経路 オリジナル
  152. 152. ダイクストラ法 F L B A S O P D C N M V H Q X K J R T W E I U Z Y G 54 6 3 7 23 B C 3 N D E 3 2 24 L 3 3 5 5 J F 出発点(S)を中心に、最も短い経路を形成して 行く。Gにたどり着いたら終了。 各ノードの評価距離=出発点からの経路 S 6 3 5 8 8 現在の円上のノードの Sからの最小距離
  153. 153. ダイクストラ法 F L B A S O P D C N M V H Q X K J R T W E I U Z Y G 54 6 3 7 23 3 3 2 24 3 3 5 5 出発点(S)を中心に、最も短い経路を形成して 行く。Gにたどり着いたら終了。 各ノードの評価距離=出発点からの経路 B C N D E LJ F S 6 3 5 8 8 現在の円上のノードの Sからの最小距離
  154. 154. ネットワーク上のグラフ検索法 A*法 M F L B A S O P D C G S V H Q X K N J R T W E I U Z Y G 54 6 3 7 23 B C 3 3 2 24 3 5 5 出発点(S)を中心に、そのノードまでの 最も短い経路を形成して行く。Gにたどり着いたら終了。 ゴール地点がわかっている場合、現在のノードとゴールとの推定距離(ヒューリスティック距離) を想定して、トータル距離を取り、それが最少のノードを探索して行く。 各ノードの評価距離=出発点からの経路+ヒューリスティック距離 ヒューリスティック距離 (普通ユークリッド距離を取る) 3+14.2 3+13.8 G H 3 5+10.5 6+8.4 オリジナル
  155. 155. A*法 F L B A S O P D C N M V H Q X K J R T W E I U Z Y G 54 6 3 7 23 B C 3 3 2 24 3 5 5 出発点(S)を中心に、そのノードまでの 最も短い経路を形成して行く。ゴール(G)にたどり着いたら終了。 ゴール地点がわかっている場合、現在のノードとゴールとの推定距離(ヒューリスティック距離) を想定して、トータル距離を取り、それが最少のノードを探索して行く。 各ノードの評価距離=出発点からの経路+ヒューリスティック距離 ヒューリスティック距離 (普通ユークリッド距離を取る) 3+14.2 3+13.8 N H3 5+10.5 6+8.4 S
  156. 156. Halo2: Orders & Styles Handling Complexity in the Halo 2 AI, D. Isla, GDC 2005 http://naimadgames.com/publications.html Order Push forward Order Push forward If Killed X enemies If X dead Order fallback
  157. 157. Halo2: Orders & Styles Handling Complexity in the Halo 2 AI, D. Isla, GDC 2005 http://naimadgames.com/publications.html Order Push forward Order Push forward If Killed X enemies If X dead Order fallback まずマップを大きくテリトリーに分けます。テリトリーは戦術ポイント(キャラクターが立つべき位置) を持っています。キャラクターは状況が変わると、テリトリーを移動し、テリトリー内の適切な場所に 立ちます。
  158. 158. Halo2: Orders & Styles Handling Complexity in the Halo 2 AI, D. Isla, GDC 2005 http://naimadgames.com/publications.html Order Push forward Order Push forward If Killed X enemies If X dead Order fallback 次にそれぞれの領域にビヘイビア・ツリーを割り当てる。 これが、その領域でAIが取る意思決定システムとなります。
  159. 159. Halo2: Orders & Styles Handling Complexity in the Halo 2 AI, D. Isla, GDC 2005 http://naimadgames.com/publications.html Order fallback GENERAL – root null null_discrete obey guard follow_behavior ready smash_obstacle destroy_obstalce cover_friend blind_panic ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ Style Behavior Control
  160. 160. Halo2: Orders & Styles Handling Complexity in the Halo 2 AI, D. Isla, GDC 2005 http://naimadgames.com/publications.html Order Push forward Order Push forward If Killed X enemies If X dead Order fallback GENERAL – root null null_discrete obey guard follow_behavior ready smash_obstacle destroy_obstalce cover_friend blind_panic ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ Style Behavior Control ェックボックスのツールで ビヘイビアツリーをカスタマイズする。 前線では攻撃的なビヘイビアを✓して入れておき、 、守備的なビヘイビアを✓して入れておきます) の領域に割り当てられたビヘイビアツリーを と言う。
  161. 161. Halo2: Orders & Styles Handling Complexity in the Halo 2 AI, D. Isla, GDC 2005 http://naimadgames.com/publications.html Order Push forward Order Push forward If Killed X enemies If X dead Order fallback 次にそれぞれの領域から領域の遷移条件を定義する。 つまり、これは「領域」をステートとするステートマシンとなる。
  162. 162. b a 世界表現(知識表現の1つ) (例) 8方向の可視距離の各ポイントに埋め込まれたウェイポイント群 (Killzone) マップ全体に関わる知識表現を世界表現という (ウェイポイント、ナビメッシュを基本とする表現) World Representation (WR) 2 2 2 4 83 4 6 4 4 10 1 16 2 2 点aから8方向への最大見晴距離 点bから8方向への最大見晴距離 可視判定: 実際のaからbの距離 < 8 かつ 実際のaからbの距離 < 10 であれば、 点aから点bまで見えていると判断する。 参考
  163. 163. オリジナル
  164. 164. ポータル オリジナル グリッド ゴール 出発点 ポータルをつなぐパス
  165. 165. キャラクター ソファオブジェクト:このポイントに座れ 窓オブジェクト:このポイントを見ろ どちらかを 選ぶ オリジナル
  166. 166. http://users.cs.northwestern.edu/~forbus/c95- gd/lectures/The_Sims_Under_the_Hood_files/v3_document.htm引用
  167. 167. (i) (ii) (iii) (iv) (v) (vi) 図11 オリジナル
  168. 168. ポイント生成(Generation) 対象とする領域にポイント群を自動配置する。(例)グリッド状、同心円状など。 フィルタリング(Filtering) 生成したポイントから、目的に合わない条件(1)を指定して、削除して行く。 フィルタリング(Filtering) 生成したポイントから、目的に合わない条件(2)を指定して、削除して行く。 . . . フィルタリング(Filtering) 生成したポイントから、目的に合わない条件(N)を指定して、削除して行く。 評価(Evaluation) 残ったポイント群を、評価式によってスコアをつけて、最高スコアの点を選ぶ。 生成 過程 フィルタ リング 過程 評価 過程 オリジナル
  169. 169. Matthew Jack, “Position Selection in the Sandbox” https://gdcvault.com/play/1018136/Spaces-in-the-Sandbox-Tactical 引用
  170. 170. オリジナル
  171. 171. オリジナル
  172. 172. http://www.xn--eckzb3bzhw32znfcp1zduw.com/data/fire.php フロントライン (勢力均衡線) オリジナル
  173. 173. オリジナル
  174. 174. オリジナル
  175. 175. 岡村 信幸、ARMORED CORE Vのパス検索 https://cedil.cesa.or.jp/cedil_sessions/view/593引用
  176. 176. 第八章
  177. 177. 習性としてのコミュニケーション 意識的なコミュニケーション身体のコミュニケーション 個体性 全体性 全体で一つの 存在 個々が分離 した世界 習性としてのコミュニケーション ル
  178. 178. 習性としてのコミュニケーション 意識的なコミュニケーション身体のコミュニケーション http://en.wikipedia.org/wiki/Harvester_ant http://free-photos.gatag.net/2013/08/14/200000.html http://free-photos.gatag.net/2013/05/07/080000.html http://bbs.jinruisi.net/blog/2012/01/1059.html http://bbs.jinruisi.net/blog/2012/01/1059.html http://ja.wikipedia.org/wiki/%E3%82%AB%E3%83%84%E3%82%AA%E3%83%8E%E3%82%A8%E3%83%9C%E3%82%B 7 http://free-photos.gatag.net/2013/04/21/100000.html 個体性 全体性 個体同士のコミュニケーション全体で一つの 存在 個々が分離 した世界 習性としてのコミュニケーション ル
  179. 179. ブラックボード ナレッジ ソース ナレッジ ソース ナレッジ ソース ナレッジ ソース ナレッジ ソース ナレッジ ソース アービター モチベーション・アテ ンション・感情など 特徴: - 中央の黒板に情報が蓄積される(されて行く)。 - モジュールはKS(=Knowledge Source)と呼ばれ、特定の専門的な知識や技術に基づいた操作を 黒板の情報に対して行う。 - Arbiter(=調停者)がKSをどのように(順序、タイミングなど)動作させるかを行う。 Bruce Blumberg , Damian Isla, "Blackboard Architectures", AI Game Programming Wisdom (Charles River Media) , 2002
  180. 180. Blackboard KS KS KS KS KS KS Arbiter Motivations Emotions Attention Etc. 特徴: - 中央の黒板に情報が蓄積される(されて行く)。 - モジュールはKS(=Knowledge Source)と呼ばれ、特定の専門的な知識や技術に基づいた操作を 黒板の情報に対して行う。 - Arbiter(=調停者)がKSをどのように(順序、タイミングなど)動作させるかを行う。 Bruce Blumberg , Damian Isla, "Blackboard Architectures", AI Game Programming Wisdom (Charles River Media) , 2002 オリジナル
  181. 181. 1 2 3 4 5 アービター A B C プレイヤー A Slot 2 プレイヤー B Slot 1 プレイヤー A Slot 2 オリジナル プレイヤーたち 敵キャラクターたち Slot
  182. 182. ステージ マネージャー Attack Weight = 4 Grid Capacity = 5 … 5体まで入っていい。 Attack Capacity = 12 総和が12まで Request Assign Attack Weight = 6 Attack Weight = 4 Attack Weight = 3 Attack Weight = 3
  183. 183. Attack Weight = 3 ステージ マネージャー Grid Capacity = 3… 3体まで入っていい。 Attack Capacity = 10 総和10まで Request Assign Attack Weight = 6 Attack Weight = 3 Attack Weight = 3 オリジナル Attack Weight = 6
  184. 184. Steering Behaviors For Autonomous Characters Craig Reynoldshttps://www.red3d.com/cwr/steer/
  185. 185. キャラクター 障害物 加速度 ベクトル 現在の 速度ベクトル 回避方向 オリジナル
  186. 186. 考慮領域 加速度 ベクトル 現在の 速度ベクトル キャラクター 考慮外の キャラクター オリジナル
  187. 187. 考慮領域 指示ベクトル 加速度 ベクトル 現在の 速度ベクトル キャラクター 考慮外の キャラクター オリジナル
  188. 188. 考慮領域 加速度 ベクトル 現在の 速度ベクトル キャラクター 自分以外の キャラクターの 平均位置 考慮外の キャラクター オリジナル
  189. 189. オリジナル
  190. 190. オリジナル
  191. 191. 私 L 友 敵 部下 上司 恋人 友 友達 友達 敵 忠誠度:60 親密度:55 敵意:15 キャラクター キャラクター キャラクター 友 キャラクター 恋人 好感度:60 オリジナル
  192. 192. 建物 建物 生成ポイント 生成ポイント 消滅ポイント 消滅ポイント キャラクター 巡回ルート 巡回ルート 密度監視 領域 オリジナル
  193. 193. 建物 建物 イベント発生 ポイント 立ち止まる 一時立ち止まる スルーする オリジナル
  194. 194. 商店 家 飲み屋 店に並ぶキャラクター列店員のキャラクター 並ぶキャラクターが エントリーするブラックボード エントリー 帰宅 帰宅商店 飲み屋移動 移動 移動 店員のキャラクターの一日のスケジュール 8:30 9:00 18:00 18:30 20:00 20:30 24:000:00 スロット オリジナル
  195. 195. オリジナル
  196. 196. 第九章
  197. 197. 敵出現領域 背後 前方 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html引用
  198. 198. ダンジョン最深部 スタート ゴール 目的地 (メタAIによる配置) アクティブ・エリア・セット(AAS) 後方配置候補メッシュ 後方配置候補メッシュ プレイヤー
  199. 199. アクティブ・エリア・セット(AAS) 後方配位候補メッシュ 前方配位候補メッシュ プレイヤー
  200. 200. メタAIが作用を行う領域 (AAS=Active Area Set) Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html 引用
  201. 201. Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html 参考
  202. 202. メタAI(=AI Director)によるユーザーのリラックス度に応じた敵出現度 ユーザーの緊張度 実際の敵出現数 計算によって 求められた 理想的な敵出現数 (1) リラックスを破るように敵を出現させる。 Build Up …プレイヤーの緊張度が目標値を超えるまで 敵を出現させ続ける。 Sustain Peak … 緊張度のピークを3-5秒維持するために、 敵の数を維持する。 Peak Fade … 敵の数を最小限へ減少して行く。 Relax … プレイヤーたちが安全な領域へ行くまで、30-45秒間、 敵の出現を最小限に維持する。 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html引用
  203. 203. オリジナル
  204. 204. WarFrame における自動生成マップの 自動解析による自動骨格抽出 • 自動生成するだけでなく、自動生成したダンジョンを、自動解 析します。ここでは、トポロジー(形状)検出を行います。 引用
  205. 205. ヒートマップ(影響マップ)を用いて ゲーム中にプレイヤーの周囲を自動解析 「ヒートが増加する=プレイヤーが近づく点」 「ヒートが減少する=プレイヤーが遠ざかる点」 Daniel Brewer, AI Postmortems: Assassin's Creed III, XCOM: Enemy Unknown, and Warframe (GDC2015) http://www.gdcvault.com/play/1018223/AI-Postmortems-Assassin-s-Creed引用
  206. 206. プランニングによる物語生成技術 アレックスはそこで ジャンプして ダンジョンの地図を 手に入れました。 アレックスは地図を 見ながら、ダンジョン の出口を 目指しました。 アレックスは 飛龍を呼んで 空を飛んで城に 返りました。 オリジナル
  207. 207. プランニングによる物語生成技術 アレックスはそこで ジャンプして ダンジョンの地図を 手に入れました。 鍵を持っていない 鍵を持っていない 地図を持っていない 地図を持っている 前提条件 あらすじ 結果条件 物語要素 オリジナル
  208. 208. プランニングによる物語生成技術 アレックスは地図を 見ながら鍵の隠され ている宝箱を開きま した。 鍵を持っていない 鍵を持っている 地図を持っている 地図を持っている 物語要素 オリジナル
  209. 209. プランニングによる物語生成技術 アレックスは地図を 見ながら、ダンジョン の出口を 目指しました。 鍵を持っていない 鍵を持っている 地図を持っている 地図を持っている 物語要素 マップフィールドにいる オリジナル
  210. 210. プランニングによる物語生成技術 アレックスは地図を 見ながら魔王のいる部 屋の扉を開けました。 鍵を持っている 地図を持っている 地図を持っている ラスボスバトルスタート 物語要素 オリジナル
  211. 211. プランニングによる物語生成技術 アレックスは 飛龍を呼んで 空を飛んで城に 返りました。 城にいる 物語要素 マップフィールドにいる オリジナル
  212. 212. オリジナル
  213. 213. オリジナル
  214. 214. オリジナル
  215. 215. オリジナル
  216. 216. Tom Mathews Making "Big Data" Work for 'Halo': A Case Study http://ai-wiki/wiki/images/d/d8/AI_Seminar_177th.pdf オリジナル
  217. 217. ゲーム開発者 ゲームシステム 敵・味方キャラクターたちゲーム・オブジェクト ゲームイベント プレイヤー・キャラクター ユーザー ゲームデザイン ユーザー・エクスペリエンス 静的制御 ロード ロード ロード 作成
  218. 218. ゲーム開発者 メタAI 敵・味方キャラクターたちゲーム・オブジェクト ゲームイベント プレイヤー・キャラクター ユーザー ゲームデザイン ユーザー・エクスペリエンス 動的制御 ゲームデザインの整合性 生成 生成 生成 作成
  219. 219. 第十章
  220. 220. 効果器 受容器(刺激→興奮(記号)) 客体 活動神経網 知覚神経網 知覚世界活動世界 知覚微表担体 対象化された機構 活動担体 内的世界 興奮(記号) 興奮興奮 運動形態 =特定の筋肉を動かす 中枢神経網 オリジナル
  221. 221. 環境認識のモデル 出自 学問 レベル アプローチ 主体 環世界 (機能環) 生物 生物学 原初的 生理学・解剖学 生態 生物的主体 アフォーダンス 人間 心理学 認識 生態学的心理学 (心の現象) 認知的主体 知識表現 AI 人工知能 知能 エンジニアリング 理知的主体
  222. 222. サブサンプション・アーキテクチャ(ロドニー・ブルックス) INPUT OUTPUT 時間 情報抽象度 反射的に行動 少し場合ごとに対応 抽象的に思考 理論的に考える 言語化のプロセス = 自意識の構築化 Subsumpution Architecture 運動の実現のプロセス = 身体運動の生成 オリジナル
  223. 223. 時間 現在という意識=身体が与える 過去の記憶 未来の予測 未来への目的から 過去が再構成される 過去の記憶から 未来が予測される 時間 知能の 発展 時間感覚 オリジナル
  224. 224. 物理 レイヤー 抽象 レイヤー 情報・刺激の抽象化 Time Decision-Making Decision-Making Decision-Making 多層ブラックボード 知識 抽象化 Reductio n 運動 合成化 環境世界 世界のダイナミクス 人工知能 認識・ 作用 対象 オブジェクト・ イメ―ジより抽象 的な レイヤー オブジェクト・ イメ―ジ オブジェクト・ イメ―ジ オブジェクト・ イメ―ジ 環世界
  225. 225. S O O’S’ O’’S’’ R R R R Sequence of Self (自己の序列) 自己はそれぞれのレイヤー の主体の集合となる 対象は対象イメージ の積み重ねとなる Vector to move Vector to enter 対象イメージ 主体 行為: f’ 感覚: p’ 行為: f 感覚: p’ それぞれの知能の層 環世界 行為: f’’ 感覚: p’’ 自己 対象 イメージ Sequence of Object Image (対象イメージ の序列) オリジナル(画像は引用なの差し替え)
  226. 226. S O O’S’ O’’S’’ R R R R Sequence of Self (自己の序列) 自己はそれぞれのレイヤー の主体の集合となる 対象は対象イメージ の積み重ねとなる 対象イメージ 主体 行為: f’ 感覚: p’ 行為: f 感覚: p’ それぞれの知能の層 環世界 行為: f’’ 感覚: p’’ 自己 対象 イメージ Sequence of Object Image (対象イメージ の序列) オリジナル(画像は引用なの差し替え)
  227. 227. 歩く 走る しゃが む 立ち 上がる 止まる ジャン プする アニメーション・ データ アニメーション・ データ アニメーション・ データ それぞれのノードが アニメーション・データを持つ (キャラクターごとに違うデータ) アニメーション遷移 アニメーション遷移 時間 ブレンド率 歩く しゃがむ オリジナル
  228. 228. ロボット知能 ロボット身体 知能 身体 人工知能 人工身体 人間 ロボット キャラクター 現実空間 仮想空間 オリジナル
  229. 229. 知能レイヤー 身体レイヤー アニメーション レイヤー 変数と メッセージ 変数と メッセージ ステートの変化を メッセージ アニメーションの 変化をメッセージ 抽象的な意思決定を行う 身体の状態を大きく定義する 「走っている」「ジャンプしている 「ダメージを受けている」などステートで管理 反射的に行った行動(ダメージリアクションなど)に よる身体の状態変化を知能レイヤーに知らせる アニメーションデータの再生を管理。アニメーション 同士のブレンドをアーティストが調整する
  230. 230. 知能レイヤー 身体レイヤー モーション レイヤー 変数と メッセージ 変数と メッセージ ステートの変化を メッセージ アニメーションの 変化をメッセージ 抽象的な意思決定を行う 身体の状態を大きく定義する 「走っている」「ジャンプしている 「ダメージを受けている」などステートで管理 反射的に行った行動(ダメージリアクションなど)に よる身体の状態変化を知能レイヤーに知らせる アニメーションデータの再生を管理。アニメーション 同士のブレンドをアーティストが調整する
  231. 231. 意思決定 システム アニメーショ ン ・アクチュ エーター ア ニ メ | シ ョ ン ・ グ ラ フ Move Program Move Controller (命令を物理駆動に変換) Move Aim Act Etc. アクチュエーター 命令群 Act Program Act Program Aim Program Look-at Program Base Programs Post-process Programs Full Body Act Controller Paralell Act Controller Aim Controller Look-at Controller オリジナル
  232. 232. 意思決定 システム アニメーション ・アクチュエー ター ア ニ メ | シ ョ ン ・ グ ラ フ 移動プログラム 移動 コントローラ (命令を物理駆動に変換) Move Aim Act Etc. アクチュエーター 命令群 Act プログラム Act プログラム 狙うプログラム 見上げるプログラム ベースプログラム ポストプロセスプログラム フルボディ Act コントローラ 並行 Act コントローラ 狙い コントローラ 見上げる コントローラ オリジナル スロット アニメーション プログラム層 コントローラ層
  233. 233. ゲームログの 集合 ワールド ステートA ワールド ステートB ワールド ステートX ワールド ステートY… アクション シークエンス A アクション シークエンス B アクション シークエンス X アクション シークエンス Y 現在のワールドステート マッチング アクション シークエンスX 準備 (開発中) ランタイム オリジナル
  234. 234. AI + Animation A.I. アニメーションA 再生 アニメーションB 再生 アニメーションC 再生 加算アニメーション 加算アニメーション遷移 加算アニメーション遷移 補正 補正 補正 オリジナル
  235. 235. ベルンシュタイン「動作構築のレベル」 レベルD 行為のレベル 運動を連鎖させて行為を作り出す(連鎖構造) レベルC 空間のレベル その運動を周囲の空間に合わせる レベルA 緊張のレベル 身体の静的な姿勢のための微調整(動的平衡) レベルB 筋-関節リンクのレベル 関節の連合による運動の原型の生成(動作のリズム) オリジナル
  236. 236. オリジナル
  237. 237. オリジナル
  238. 238. 第十一章
  239. 239. ローブ1 ローブ2 ニューロン Grand, Stephen; Cliff, Dave (1998). "Creatures: Entertainment Software Agents with Artificial Life". Autonomous Agents and Multi-Agent Systems. 1 (1): 39–57. doi:10.1023/A:1010042522104 https://link.springer.com/article/10.1023%2FA%3A1010042522104 参考
  240. 240. 意思決定ローブ コンセプトローブ (640ニューロン) 認識ローブ 注意 刺激源 名詞 動詞 いろいろ Drives 知能を構成するローブの構成 Grand, Stephen; Cliff, Dave (1998). "Creatures: Entertainment Software Agents with Artificial Life". Autonomous Agents and Multi-Agent Systems. 1 (1): 39–57. doi:10.1023/A:1010042522104 https://link.springer.com/article/10.1023%2FA%3A1010042522104 参考
  241. 241. 参考 森川幸人 テレビゲームへの人工知能技術の利用 人工知能学会誌 Vol.14 No.2 http://www.ai-gakkai.or.jp/jsai/whatsai/PDF/article-iapp-7.pdf
  242. 242. 遺伝的アルゴリズムの仕組み 遺伝子 遺伝子 次世代 親① 親② 母集団から優秀な親を 2体ピックアップ 遺伝子を掛け合わせる 次世代の子供を産み出す (selection) (crossover) (production) 現世代 このサイクルをくり返すことで世代を進めて望ましい集団を産み出す 遺伝子 遺伝子
  243. 243. 遺伝子 染色体 次世代 親① 親② 母集団から優秀な親を 2体ピックアップ 染色体を掛け合わせる 次世代の子供を産み出す (selection) (crossover) (production) 現世代 遺伝子 染色体 遺伝子身長 耐性_快光線腕力 脚力 耐性_かかし体重 [バブーの属性(総計56)]
  244. 244. 遺伝子 染色体 次世代 親① 親② 母集団から優秀な親を 2体ピックアップ 染色体を掛け合わせる 次世代の子供を産み出す (selection) (crossover) (production) 現世代 遺伝子 染色体
  245. 245. Ralf Herbrich:“Forza, Halo, Xbox Live: The Magic of Research in Microsoft Products”, Microsoft, The Student Technology Day, 2008https://www.microsoft.com/en-us/research/project/video-games-and-artificial-intelligence/?from=http%3A%2F%2Fresearch.microsoft.com%2Fen-us%2F 参考
  246. 246. Ralf Herbrich:“Forza, Halo, Xbox Live: The Magic of Research in Microsoft Products”, Microsoft, The Student Technology Day, 2008https://www.microsoft.com/en-us/research/project/video-games-and-artificial-intelligence/?from=http%3A%2F%2Fresearch.microsoft.com%2Fen-us%2F 参考
  247. 247. ゲームログの 集合 ワールド ステートA ワールド ステートB ワールド ステートX ワールド ステートY… アクション シークエンス A アクション シークエンス B アクション シークエンス X アクション シークエンス Y 現在のワールドステート マッチング アクション シークエンスX 準備 (開発中) ランタイム Hayles, B.:Case-based Reasoning for Player Behavi nucl.ai Conference (2015);https://archives.nucl.ai reasoning-for-player-behavior-cloning-in-killer-inst 参考
  248. 248. 現在の ゲーム状態 手A 手B 手C ラ ン ダ ム ・ シ ミ ュ レ | シ ョ ン 勝率=4/5 勝率=1/3 勝率=3/4 勝利 敗北 選択される手 オリジナル
  249. 249. オリジナル
  250. 250. オリジナル
  251. 251. ゲームAI技術 ゲームAI技術 AI技術 プロシージャル 技術 コンテンツ自動生成技術 (PCG, Procedural Contents Generation ) オリジナル
  252. 252. 参考先があったはず
  253. 253. Dave C. Pottinger:“Terrain Analysis in Realtime Strategy Games”, Game Developers Conference 2000, 2000 http://www.gamasutra.com/gdcarchive/2000/pottinger.doc参考
  254. 254. Colt McAnlis: HALO WARS: The Terrain of Next-Gen https://www.gdcvault.com/play/1277/HALO-WARS-The-Terrain-of参考
  255. 255. 引用
  256. 256. Halldor Fannar:“The Server Technology of EVEOnline: How to Cope With 300,000 Players on One Server”, Game Developers Conference Austin 2008,2008 https://www.gdcvault.com/play/1014077/The-Server-Technology-of-EVE 参考
  257. 257. 最上層 ユーザーのアクションの単位の1マス <ユーザー・エディット・ウィンドウ> 第二階層 (2x2マスを1単位とする) 人口密度、交通渋滞、環境汚染度、ラン ドバリュー、犯罪発生率を計算し伝播 第三階層 (4x4マスを1単位とする) 地形の状況を計算し伝播 第四階層 (8x8マスを1単位とする) 人口増加率、消防署、警察署、消防署の 影響力、警察署の影響力を計算し伝播 影響度 計算 影響度 伝播 ウィル・ライトが明かすシムシティーのすべて (コンプコレクション) 単行本 – 1990/12 ウィル ライト (著), 多摩 豊 (翻訳)参考
  258. 258. 第一世代 F 第二世代 F[-F]F[+F][F] 第三世代 F[-F]F[+F][F] [-F[-F]F[+F][F] ] F[-F]F[+F][F] [+F[-F]F[+F][F] [F[-F]F[+F][F] ] 第一世代 第二世代 第三世代 オリジナル
  259. 259. 第12章
  260. 260. 現在のゲーム ! ! ! ! ! デバッグ QA (品質保証) 間違っているプログラム、データを 修正する ゲームが仕様通りに作られている かを確認する 要素が足りているかを確認する 要素が想定通りの品質かを 確認する バグ ゲーム要素 想定したゲーム オリジナル
  261. 261. ゲームの中、ゲームの外 ゲームの外のAI (外=開発、現実) ゲームの中のAI (中=コンテンツ) メタAI キャラクター AI ナビゲーション AI 開発支援 AI QA-AI 自動バランス AI インターフェース 上のAI データ マイニング シミュレー ション技術ゲーム 可視化 ユーザーの 生体信号 プロシー ジャルAI オリジナル
  262. 262. キャラ クター 敵キャラクター 敵キャラクター キャラクター(AIを搭載する) オリジナル
  263. 263. Neural Networks in Supreme Commander 2 (GDC 2012) Michael Robbins (Gas Powered Games) http://www.gdcvault.com/play/1015406/Off-the-Beaten-Path-Non http://www.gdcvault.com/play/1015667/Off-the-Beaten-Path-Non 入力層 (34ノード) 中間層 (98ノード) 出力層 (15ノード) 一番弱い敵一番近い敵 一番評価の高い敵 敵の体力 敵のスピード 敵の選択 複数の敵の情報 参考
  264. 264. Tom Mathews Making "Big Data" Work for 'Halo': A Case Study http://ai-wiki/wiki/images/d/d8/AI_Seminar_177th.pdf引用
  265. 265. 開発会社 システム 詳細 参照 Ubi 2018 Assassin’s Creed Origin の レベルアセット自動検証 スクリプトによるオブジェクト同士の干渉テスト キャラクターの生成ポイントと配置オブジェクトの干 渉テスト / スクリプトによるテスト ‘Assassin’s Creed Origins‘: Monitoring and Validation of World Design Data Nicholas Routhier Ubisoft Montreal http://www.gdcvault.com/play/1025054/-Assassin-s-Creed-Origins Guerrilla 2018 Horizon Zero Down の自動 プレイ 毎晩、自動的にAIキャラクターがゲームをプレイ ‘Horizon Zero Dawn’: A QA Open World Case Study Ana Barbuta https://www.gdcvault.com/play/1025326/-Horizon-Zero-Dawn-A EA 2018 Battlefield1における模倣学 習による自動プレイ 模倣学習によるキャラクターがゲーム内で戦い合う https://www.ea.com/seed/news/seed-imitation-learning- concurrent-actions https://www.ea.com/seed/news/self-learning-agents-play-bf1 SEGA 2018 「龍が如く」~「北斗が如く」 における自動プレイ ログからの自動リプレイシステム 無料で始める!「龍が如く」を面白くするための高速デバッグログ分 析と自動化https://cedil.cesa.or.jp/cedil_sessions/view/1621 RARE 2017 Thief における Unreal Engine 上のキャラクタービ ヘイビアの自動テスト テストがクエリーの形でリスト化されて、毎晩テスト される AUTOMATED TESTING FOR MULTIPLAYER GAME-AI IN SEA OF THIEVES ROBERT MASELLA RARE — MICROSOFT GAME STUDIOS http://gameainorth.com/2017/ DELiGHT WORKS 2017 Fate/Grand Orderにおける 自動リプレイ サーバーを経由したログの収集とコマンド関数列 の再現 Fate/Grand Orderにおける自動リプレイを用いたQA改善への挑戦 http://cedil.cesa.or.jp/cedil_sessions/view/1716 DeNA 2017 「逆転オセロニア」における 自動ゲームプレイ 強化学習を用いて機械学習させる DeNA TechCon2018 ゲーム体験を支えるための強化学習 https://www.slideshare.net/juneokumura/dena-techcon2018 SQUARE ENIX 2017 「グリムノーツ」における自 動ゲームバランス 遺伝的アルゴリズムを用いてプレイヤーAI群を進 化させてゲームバランスを調査する 遺伝的アルゴリズムによる人工知能を用いたゲームバランス調整 http://cedil.cesa.or.jp/cedil_sessions/view/1655 DeNA 2016 「FINAL FANTASY Record Keeper」における自動プレイ ニューロエボリューションによるプレイヤーAIの作 成 AIによるゲームアプリ運用の課題解決へのアプローチ https://cedil.cesa.or.jp/cedil_sessions/view/1511 強化学習を利用した自律型GameAIの取り組み ~高速自動プレイに よるステージ設計支援 https://www.slideshare.net/dena_tech/gameai-denatechcon Cygames 2016 総合システム構築 OpenCV、Python、Appiumの組み合わせ ゲーム開発におけるデバッグ作業の自動化 ~ OpenCVの「眼」で捉 え、Pythonの「脳」が思考し、Appiumの「指」で動かす http://cedil.cesa.or.jp/cedil_sessions/view/1575 http://tech.cygames.co.jp/archives/2937/ オリジナル
  266. 266. プレイヤー・プロフィールデータ - [名前] ファウスト - ステータス - [体力] 257 - [魔法力] 137 - [装備] -- [右手武器] 超新星光剣 -- [左手武器] こんぼう -- [防具] 月の魔笛 -- [指輪] ブルーリング - [レベル] 31 - [職業] 戦士 - [覚えている魔法リスト] フルファイラル ウオラル デポイゾ - 経路 - [最後に訪れた街] ケルム - [最後に訪れたダンジョン] 北のほこらの洞窟 -- [滞在時間] 4時間33分 -- [受けた総ダメージ] 17321 -- [魔法使用量] 383 -- [消費したアイテムリスト] 薬草 リ エラート ナミル ウロ 物語10 魔法石 34 毒気薬 7 -- [倒したモンスターのリスト] ザッコ― ボムラス ニコラム 大狼 -- [戦闘不能にされたモンスター] 大狼 - [徒歩距離] 1782km - [これまでに訪れて来た街のリスト] グ ケルム タリム ヴェルダ - [最後の話した人物] カイル - [物語の進行度] 73% - [探しているアイテム] ふしぎの杖 - [これまで聞いたキーワードのリスト] 霧の山脈 白銀の搭 オリジナル
  267. 267. インプット データ解析 アウトプット エラー修正 追加・改善テスト テスト エクセル メイル 地図 ワールドデータ コード デザイン 'Assassin's Creed Origins': Monitoring and Validation of World Design Data Nicholas Routhie https://www.gdcvault.com/play/1025452/-Assassin-s-Creed-Origins参考
  268. 268. 拡張性 複雑性 規模 人間がデバッグ・QAを行える領域 人工知能がデバッグ・QAを行うべき領域 オリジナル

×