No soy gamedev, solo soy un curioso codificador de no juegos. Me pregunto, ¿cómo funciona la IA en los juegos modernos populares, por ejemplo, FPS? ¿Se basa en reglas codificadas? ¿Cuánto tiene en común con otros tipos de IA (como el que alimenta los automóviles autónomos, etc.)? ¿Cómo se aseguran los desarrolladores de que la IA se comporta naturalmente y es divertido jugar contra ella?
Las cosas que busqué en Google mencionaron diferentes derivados de MinMax, pero no respondí cómo la IA trata con el mundo continuo y cambiante, por qué acciones / estados se recompensa a la IA y cómo se da cuenta de su posibilidad de éxito de diferentes acciones. También he visto Machine Learning mencionado aquí y allá, pero parece que no se usa en ningún juego serio.
Respuestas:
Hay muchos métodos Responderé para FPS porque cada género tiene su propio conjunto de problemas, y los enfoques de IA dependen en gran medida del dominio del problema y de la mejor manera de representarlo.
Los enfoques comunes de FPS incluyen:
Y varias permutaciones y variaciones sobre lo anterior.
Minimax no se usa generalmente para juegos con estado continuo como FPS, más para juegos por turnos en espacios de juego discretos como Ajedrez, etc. Se puede usar para planificar a un nivel alto, pero generalmente no se debe a que haya mejores sistemas (es decir . lo anterior) cuando se enfrentan con múltiples enemigos, información incompleta, pero planes simples.
Se aseguran de que la IA sea divertida mediante pruebas de juego. Si es demasiado desafiante, pueden introducir errores en cualquier heurística de decisión, o un retraso en sus reacciones, o aplicar un factor aleatorio a su objetivo, etc. Si no es lo suficientemente desafiante, solo necesitarán mejorar los datos suministrados al algoritmo .
fuente
Hay documentos sobre cómo funcionan varias IA, con la que estoy más familiarizado es MIEDO
fuente
Dos métodos mas comunes
Búsqueda de UCT. Hay un formalismo, pero la idea es básicamente hacer una jugada aleatoria hasta que finalice el juego, con retroalimentación para ponderar los juegos ganadores más que los perdedores. Lo bueno de la forma pura de esto es que la IA no necesita conocimiento sobre lo que podría ser un movimiento mejor o peor.
La búsqueda mínima, generalmente combinada con la poda de árboles alfa-beta, básicamente realiza una búsqueda completa del espacio del juego hasta cierta profundidad, evaluando cada nodo terminal con un evaluador estático que asigna un valor numérico. Esto funciona bien para juegos donde hay métricas obvias que miden el progreso hacia una victoria.
fuente