Jak AI jest najczęściej implementowane w popularnych grach?

Nie jestem gamedevem, jestem tylko ciekawskim programistą nie-gier. Zastanawiam się, jak AI działa w popularnych współczesnych grach, powiedzmy FPS? Czy opiera się na sztywnych zasadach? Ile ma wspólnego z innymi rodzajami sztucznej inteligencji (np. Zasilającymi samochody autonomiczne itp.)? W jaki sposób programiści dbają o to, by sztuczna inteligencja zachowywała się naturalnie i czy gra się przeciwko niej?

Rzeczy, o których pisałem w Google, wspomniałem o różnych pochodnych MinMax, ale nie udało mi się odpowiedzieć na pytanie, jak AI radzi sobie z ciągłym, zmiennym światem, za jakie działania / stany AI jest nagradzane i jak oblicza swoją szansę na sukces różnych działań. Widziałem także Machine Learning wspomnianą tu i tam, ale wygląda na to, że nie jest używana w żadnej poważnej grze?

Istnieje wiele metod. Odpowiem za FPS, ponieważ każdy gatunek ma swój własny zestaw problemów, a podejścia AI są silnie zależne od dziedziny problemów i tego, jak najlepiej ją reprezentować.

Typowe metody FPS obejmują:

• zakodowane reguły (które mogą być logicznie równoważne z dowolnymi z poniższych)
• maszyny stanów skończonych
• hierarchiczne maszyny stanów skończonych
• drzewa zachowań
• drzewa decyzyjne
• planowanie działań zorientowanych na cel

I różne permutacje i odmiany powyżej.

Minimax nie jest generalnie używany do gier ze stanem ciągłym, takich jak FPS, a bardziej do gier turowych w dyskretnych przestrzeniach gry, takich jak Szachy itp. Może być stosowany do planowania na wysokim poziomie, ale ogólnie nie jest tak, ponieważ istnieją lepsze systemy (tj. (powyżej) w obliczu wielu wrogów, niepełne informacje, ale proste plany.

Zapewniają zabawę AI poprzez testowanie. Jeśli jest to zbyt trudne, mogą wprowadzić błąd w dowolnej heurystyce decyzyjnej lub opóźnić ich reakcje lub zastosować losowy czynnik do ich celowania itp. Jeśli nie jest to wystarczająco trudne, będą musieli tylko poprawić dane dostarczone do algorytmu .

Istnieją dokumenty na temat działania różnych sztucznej inteligencji, z których najbardziej znam to STRACH

Dwie kolejne popularne metody

Wyszukiwanie UCT. Istnieje formalizm, ale zasadniczo chodzi o losowe rozgrywki aż do końca gry, z informacją zwrotną, aby ważyć zwycięskie gry bardziej niż przegrane. Zaletą tej czystej postaci jest to, że AI nie potrzebuje wiedzy o tym, co może być lepszym lub gorszym ruchem.

Wyszukiwanie Minmax, zwykle w połączeniu z przycinaniem drzewa alfa-beta, zasadniczo dokonuje pełnego przeszukiwania przestrzeni gry na pewną głębokość, oceniając każdy węzeł końcowy za pomocą statycznego analizatora, który przypisuje wartość liczbową. Działa to dobrze w grach, w których istnieją oczywiste wskaźniki mierzące postęp w kierunku wygranej.