講者 | 臺灣科技大學資工系教授 | 戴文凱
現為臺灣科技大學資工系教授、遊戲研發中心（GAME Research Center）與遊戲實驗室（GAME Lab）成員。
多年來主要從事內容自動化生成（PCG: Procedural Content Generation）、遊戲設計自動化（Game Design Automation）、遊戲 AI 與玩家模式（Game AI and Player Modeling）、多媒體等應用相關的創新研究與開發工作，同時也持續參與業界的產學研發、顧問與政府相關的研究委託、規劃等專案。
─ 節錄自 TGDF 官方
本文章為個人理解之筆記，不一定能完全傳達原講者內容
本系列其他文章
- 2017 TGDF 筆記 – 以小型獨立工作室塑造 3D 日式動畫畫質
- 2017 TGDF 筆記 – 遊戲人工智慧與關卡難易度
- 2017 TGDF 筆記 – 《地下城物語》─再滾燙的紅海都有屬於你的一條活路
- 2017 TGDF 筆記 – 透過《Rez Infinite》讓未來成為現在
- 2017 TGDF 筆記 –《Lanota》開發經驗分享
- 2017 TGDF 筆記 –《獸魂戰起來》Postmortem：我們做對和做錯的事
- 2017 TGDF 筆記 –《返校》美術風格設計
- 2017 TGDF 筆記 – 角邊中的風景─《Qubot 像素戰機》的視覺創作雜談
- 2017 TGDF 筆記 – 遊戲軟體工程師生存守則
AI 目標
- 教學 (Tutorial)
- 幫助新玩家學習
- 提供不同難度設定
- 訓練 (Training)
- 有經驗和有競爭力的玩家通常想要練習
- 策略性練習一定難度的項目
- 可玩性 (Replayability)
- 更動態的遊玩數值設定
- 彈性變動 (Robust to change)
- 遊戲中可能需要隨時間推移調整的屬性
- 每次更新時都需要維護，為程序員節省寶貴的時間
遊戲進行過程
- 遊戲 (Game)
- 遊戲 = 目前遊戲狀態 + 規則/邏輯
- 目前遊戲狀態 = (上一個遊戲狀態 + 上一個玩家) + 玩家集合
- 狀態 (State)
- 遊戲狀態 = 目前遊戲時間 + 多個玩家資料 (例：血量、兵力、國家….)
- 玩家 (Player)
- 玩家行動決策 = 玩家 + 遊戲狀態 + 玩家資料
- 玩家行動決策 = 多個不同的行動組成
- 玩家行動 (Partial Player)
- 玩家行動 = 行動演算法 + 遊戲狀態 + 玩家資料
- 例：生產時是否考慮成本? 是否考慮人口上限?
- AI 投資組合 (Portfolio)
- AI 投資組合 = 多個行動演算法組成
遊戲案例 8-ball
遊戲流程：
決策流程：
玩家投資組合 -> 打擊行動產生 -> 檯面狀態評估 -> 選擇球 -> 打擊球
玩家投資組合：
策略、技能
打擊行動產生：
選定可打球 -> 選定可進袋口 -> 打擊類型 -> 完善瞄準方向 -> 搜尋優化力道
檯面狀態評估：
打擊難度評估 -> 評估球 -> 評估球群 -> 打擊評估
選擇目標球：
- 亂數
- 規則資源大小
- 蒙地卡羅樹搜尋 (Monte Carlo tree search, MCTS) 思考時間長度
AI 投資組合：
- 打擊行動產生
- 檯面狀態評估
- 打擊評估
- 選擇目標球
透過設定檔控制 AI
檯面狀態估計 – 打擊行為
檯面狀態估計 – 核心流程架構
檯面狀態估計 – 實驗結果
參考資料
歡迎轉載，並註明出處 !
k79k06k02k@gmail.com