В настоящее время в разработке игр все больше применяются методы классического искусственного интеллекта, растет интерес академического сообщества к технологиям, используемым в компьютерных играх. Наибольший интерес представляют модели поведения несобственных персонажей, управляемых компьютером, или аниматов [1].
Технологии искусственного интеллекта являются неотъемлемой частью индустрии компьютерных игр. С момента появления первой игры пользователям всегда хотелось видеть в лице компьютера сильного и разумного соперника. Решить такую задачу можно за счет наделения игровых компьютерных агентов интеллектуальными способностями, схожими с теми, которыми обладает человек. Иными словами, необходимо использовать специализированные системы игрового искусственного интеллекта.
Под игровым искусственным интеллектом понимают набор программных методик, которые используются в компьютерных играх для создания иллюзии интеллекта в поведении персонажей, управляемых компьютером. Игровой искусственный интеллект, помимо методов традиционного искусственного интеллекта, включает также алгоритмы теории управления, робототехники, компьютерной графики и информатики в целом.
Алгоритмы интеллектуальной обработки данных применяются в тех случаях, когда точное решение задачи аналитическими методами неизвестно или обладает большой вычислительной сложностью, поэтому для достижения более реалистичного поведения разработчики обратились к методикам искусственного интеллекта: нейронным сетям, продукционным правилам, конечным автоматам.
Постепенно в игровой искусственный интеллект были перенесены адаптивные и обучаемые алгоритмы, как, например, в применении кооперативного обучения и прогнозирования в мультиагентных системах [2]. Способность несобственных персонажей к обучению не только позволяет разработчику сэкономить немало времени, но и повышает привлекательность игры за счет реализации интересных проектных решений. С другой стороны, реализация обучения достаточно проблематична с точки зрения обеспечения производительности программного кода [3]. Иными словами, потребность в некой статичной системе искусственного интеллекта никогда не исчезнет, даже если она будет играть всего лишь роль соединительной ткани между адаптивными компонентами.
В играх человек и компьютер находятся в изначально неравных условиях, поскольку часто в целях повышения производительности или
ускорения процесса разработки с игрока-компьютера снимаются некоторые ограничения, накладываемые на игрока-человека. Цель игрового ИИ — реализация компьютером поведения, максимально схожего с человеческим.
Основными задачами игрового ИИ являются:
— реализация поведенческих реакций, таких как сбор предметов, нажатие переключателей, выполнение определенных жестов-
— решение задачи навигации в виртуальном мире, в которую входят поиск пути, поиск пути с использованием интерактивного окружения, а также перемещение группами-
— принятие решений, выбор определенной тактики поведения или действия из нескольких возможных.
Поведение аниматов, как правило, имеет многоуровневый характер- разработчики игр обычно выделяют четыре уровня поведения [4]:
— стратегический уровень, на котором персонаж ставит себе те или иные цели-
— тактический уровень, на котором выбираются способы достижения целей-
— уровень исследования местности, в ходе которого происходит сканирование местности на наличие ценных объектов, вражеских боевых единиц.
— инстинкт самосохранения (например, персонажи защищаются при нападении и т. д.).
Однако, как показывает практика, подобное деление далеко не всегда является подходящим (в частности, в нем нет места для моделирования эмоций). По словам одного из разработчиков игры 8йеп181югт, идеальной была бы модель поведения со сколь угодно большим количеством уровней планирования [5].
На сегодняшний день можно выделить следующие существенные проблемы, присущие игровому искусственному интеллекту:
— «зависание», в результате которого подсистема ИИ в некоторых ситуациях никогда не отдает команды «конец хода» (проблема специфичная для пошаговых игр) —
— повторение одних и тех же действий, не приводящих к результату, т. е. абсолютно нелогичных с точки зрения человеческого здравого смысла (например, в широко известной игре 81а1! сгай ИИ заставлял персонажей бегать перед препятствием, если атакуемая цель была скрыта за ним, — вместо того, чтобы атаковать препятствие) —
— применение тактики в неподходящей ситуации (например, строительство верфи на картах, лишенных воды) —
— сложность реализации совместных действий с учетом влияния персонажей друг на друга-
— конфликты сюжетной линии с подсистемой ИИ (например, стрельба по персонажу, который сделан неуязвимым при помощи сценария и явно не получает от этого никаких повреждений) — это настолько распространенное поведение, что некоторые разработчики даже не считают его ошибочным [5].
Первые три проблемы носят чисто технический характер и решаются в процессе доработки программного кода, в то время как реализация совместных действий и преодоление конфликтов с сюжетной линией — принципиальные проблемы, требующие решения. В частности, последняя проблема возникает из-за того, что сюжетную линию игры и сценарии, ею управляющие, искусственно отделяют от системы ИИ. Модель сюжетной линии должна представлять самый верхний уровень планирования анимата. При таком подходе желания и намерения несобственного персонажа совпадают с замыслом дизайнера, не возникает конфликтов между системой ИИ и сценариями.
При проектировании систем игрового ИИ различные уровни планирования поведения часто используют принципиально различные интерфейсы, что серьезно затрудняет разработку иерархичных систем. Решение этой проблемы позволит существенно сократить затраты на разработку ИИ и повысить его эффективность.
В рамках данной работы были рассмотрены модели и методы реализации поведения аниматов в открытых и коммерческих системах игрового ИИ, таких как FEAR [3], HavokAI [6], ORTS[7], A-Life [8].
В состав HavokAI входят максимально полезные и эффективные для разработчика алгоритмы (преимущественно это алгоритмы нахождения пути в динамически изменяющемся и динамически подгружаемом виртуальном мире [5]). FEAR позиционируется как проект, использующий преимущественно методы классического ИИ. ORTS — проект с открытым исходным кодом для реализации стратегий в реальном времени. Помимо подсистемы ИИ, ORTS предоставляет также средства визуализации и взаимодействия с пользователем [7].
A-Life — встроенная в X-Ray система управления персонажамиА-Life реализует два режима перемещения персонажей: он- и оффлайн. Для каждого из уровней создается свой навигационный граф, детальный, который используют
персонажи для передвижения в онлайне. Для каждого детального графа также создается его менее детализированный аналог, вершины которого можно связать с вершинами графа другого уровня. После объединения всех таких графов воедино получается граф, который объединяет все уровни. Он и используется персонажами для передвижения в оффлайне. Также им пользуются персонажи в онлайне, когда они выполняют свои стратегические цели [8].
Все рассмотренные продукты в той или иной степени привязаны к определенной программной платформе. Это обусловлено тем, что для реализации системы ИИ необходимо обеспечить получение информации о внешней среде.
Из методов искусственного интеллекта в индустрии компьютерных игр наибольшее распространение получили конечные автоматы, нейронные сети, продукционные правила.
Системы, основанные на правилах, хорошо подходят для реализации реактивного поведения аниматов. В современных ролевых играх игроку может быть доступна база правил некоторых несобственных персонажей, таким образом можно настроить подходящее поведение персонажа в бою, а именно — кого и как следует атаковать, защищать игрока или защищаться самому, какие заклинания и когда использовать.
Нейронные сети используются в задачах адаптивного управления и в робототехнике. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Однако, из-за невозможности интерпретации этой модели человеком, нейронные сети редко используют в алгоритмах принятия тактических решений, гораздо лучше они работают в реализации выбора оружия или прицеливания, как например в FEAR [3]. К тому же велика вероятность того, что дообученная или обученная заново нейронная сеть будет работать хуже.
Конечный автомат является одной из старейших формальных моделей вычислительных систем, активно использующейся в различных вариантах и в настоящее время. В чистом виде редко применяются в играх из-за серьезных проблем, возникающих при реализации моделей сложных объектов [9].
При моделировании таких систем как несобственные персонажи с помощью конечных автоматов размер множества состояний очень быстро растет. Частично эта проблема решается при помощи расширенных и взаимодействующих конечных автоматов, которые позволяют в более удобной форме моделировать многокомпонентные системы. С точки зрения разработки игрового ИИ, взаимодействующие конечные автоматы представляют весьма перспективную модель.
На основании анализа имеющихся систем и проблем реализации игрового ИИ предложена концепция системы управления несобственными персонажами, основанная на многоуровневом планировании и поведенческих реакциях. Поведение анимата управляется иерархической системой планов. Верхний уровень иерархии представлен интерфейсом к сюжетной линии, содержащим список целей. Каждый следующий уровень содержит возможные алгоритмы планирования действий, которые реализуются нижними уровнями. Каждому уровню сопоставлен набор сенсоров. Сенсоры получают информацию из внешней среды, преобразуют ее и пере-
дают на верхние уровни и в алгоритмы планирования. Количество запланированных действий зависит от горизонта планирования: чем выше уровень, тем дальше горизонт планирования. На низших уровнях горизонт планирования близок к нулю и позволяет выполнить только одно действие, в этом случае предполагается использование моделей поведенческих реакций, таких как конечные автоматы или правила.
Самый низкий уровень реализует выполнение элементарных действий и получение данных с подсистемы физики, фактически этот уровень является интерфейсом взаимодействия подсистемы ИИ с другими компонентами игры. Планы верхних уровней могут управлять не одним аниматом, а несколькими (что, к примеру, дает возможность реализации тактических маневров и перемещения отрядов в военных играх). Схема иерархии планов агента приведена на рисунке.
Схема поведения агента
Главным требованием к реализации концепции является использование общих интерфейсов алгоритмов планирования, что позволяет конструировать сложные иерархические планы из заранее подготовленной палитры элементов.
Использование иерархичной многоуровневой системы планов должно позволить реализовать рациональное и относительно реалистичное поведение несобственных персонажей. Наличие на верхних уровнях значительных по времени, на несколько действий вперед, горизонтов планирования позволяет оптимизировать использование вычислительных ресурсов.
Предложенная концепция системы управления несобственными персонажами применяется в среде разработки обучающих игровых приложений. В настоящий момент ведутся работы по проектированию прототипа подсистемы управления игровыми персонажами. Планируется использование подсистемы в среде разработки для создания компьютерных игр.
Дальнейшая работа связана с поиском возможности применения реализованных моделей агентов в областях, не относящихся к разработкой игр и мультимедиа.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Редько, В. Г. От моделей поведения к искусственному интеллекту / В. Г. Редько. — М.: КомКнига, 2010. -456 с.
2. Крыжановский, А. И. Применение кооперативного обучения и прогнозирования в мультиагентных системах / А. И. Крыжановский, П. С. Пыхтин // Известия Волгоградского государственного технического университета: межвуз. сб. науч. ст. № 6 (66) / ВолгГТУ. — Волгоград,
2010. — (Сер. Актуальные проблемы управления, вычислительной техники и информатики в технических системах. Вып. 8). — С. 44−46.
3. Шампандар, Дж. А. Искуственный интеллект в компьютерных играх / Дж. А. Шампандар. — М.: Вильямс, 2007. — 768 стр.
4. Медноногов, В. А. Интеллект компьютера в стратегиях реального времени [Электронный ресурс] / В. А. Медноногов. — Режим доступа: http: //pmg. org. ru/ai/ai_rt. htm.
5. Плахов, А. С. КРИ / А. С. Плахов // Организация разработки AI для стратегических игр. — 2004.
6. Havok AI / Оф. сайт Havok Inc. [Электронный ресурс]. — 2010. — Режим доступа: www. havok. com.
7. Buro Michael ORTS — A Free Software RTS Game Engine. — Games Group University of Alberta. — 2010. — Режим доступа: http: //skatgame. net/mburo/orts/.
8. Куляев, А. М. S.T.A.L.K.E. R: Тень Чернобыля. Интервью с руководителем проекта [Электронный ресурс] / А. М. Куляев // CRGP. RU. — 2007. Режим доступа: http: // www. crpg. ru/sections. php? op=viewarticle&-artid=2165
9. Бугайченко, Д. Ю. Разработка и реализация методов формально-логической спецификации самонастраивающихся мультиагентных систем с временными ограничениями / Д. Ю. Бугайченко // Сайт математико-механического факультета СпбГУ. — Санкт-Петербургский государственный университет, 2007. — 2010. — Режим доступа: http: //www. math. spbu. ru/user/soloviev/Бугайченко_phd_toup load. pdf.
2 742
22 060 
