ゲームのための人工知能（上）
•
6 likes•1,009 views
デジタルゲームのための人工知能技術の入門編です。 こちら前編となります。 後編 https://www.slideshare.net/youichiromiyake/ss-77549149
Recommended
More Related Content
What's hot
What's hot (20)
Similar to ゲームのための人工知能（上）
Similar to ゲームのための人工知能（上） (20)
More from Youichiro Miyake
More from Youichiro Miyake (20)
ゲームのための人工知能（上）
- 4. Works (2006-2016) AI for Game Titles Books
- 5. ゲームAIの参考リンク集 • ディジタルゲームの人工知能 （Artificial Intelligence in Digital Game） • https://www.ai-gakkai.or.jp/my- bookmark_vol32-no4/
- 6. アンチャーテッド4 の人工知能 • Authored vs. Systemic: Finding a Balance for Combat AI in 'Uncharted 4' • Matthew Gallant • http://www.gdcvault.com/play/1024467/Auth ored-vs-Systemic-Finding-a
- 7. 参考文献 三宅陽一郎 「大規模ゲームにおける人工知能 ─ファイナルファンタジーXV の実例をもとに─」 (17ページ) （人工知能学会誌、2017 2号） http://id.nii.ac.jp/1004/00008567/
- 8. 「IT、都市、ヘルスケア、あらゆる領域で 人工知能と人間が共創する未来」 • WIRED 「INNOVATION INSIGTS」 http://wired.jp/innovationinsights/post/analytics-cloud/w/cocreation_with_ai
- 9. • ThinkIT https://thinkit.co.jp/author/10026 • AI最前線の現場から【スクウェア・エニックス】
- 10. 目次 • 第一章 人工知能とは？ • 第二章 なぜ今、人工知能技術が注目されているか • 第三章 人工知能の各種事例 • 第四章 人工知能の発展の方向 • 第五章 ゲームAIと人工生命 • 第六章 人工知能と創造性 • 第七章 メタAIの発展 • 第八章 モバイルゲームにおける人工知能 • 第九章 データ解析・学習によるオンラインゲームのサ ポート
- 11. 第一章 人工知能とは
- 24. Works (2006-2016) AI for Game Titles Books
- 25. 目次 • 第一章 人工知能とは？ • 第二章 なぜ今、人工知能技術が注目されているか • 第三章 人工知能の各種事例 • 第四章 人工知能の発展の方向 • 第五章 ゲームAIと人工生命 • 第六章 人工知能と創造性 • 第七章 メタAIの発展 • 第八章 モバイルゲームにおける人工知能 • 第九章 データ解析・学習によるオンラインゲームのサ ポート
- 27. この３００年の技術の動向 時間 規模 産業革命 情報革命 ネット革命 知能革命 機械化・自動化（オートメーション化） 電子情報化 オンライン化 知能化 第二次産業革命 電動化 1750 1860 1960 1990 Now… 現代は「知能化」の時代に 入りつつある。 第一次AIブーム 第二次AIブーム 第三次AIブーム
- 28. この３００年の技術の動向 時間 規模 産業革命 情報革命 ネット革命 知能革命 機械化・自動化（オートメーション化） 電子情報化 オンライン化 知能化 第二次産業革命 電動化 1750 1860 1960 1990 Now… 第一次ＡＩブーム ＝ ＡＩ分野の立ち上がりのブーム（専門家の中）。研究の黎明期。 第二次ブーム ＝ パーソナルコンピューターの普及。ニューラルネットの改善。 社会にコンピューターが広がって行くとき雰囲気。 第三次ブーム ＝ ビックデータの上に学習する人工知能 第一次AIブーム 第二次AIブーム 第三次AIブーム
- 29. 人工知能がブームになるとき 時間 規模 情報革命 ネット革命 知能革命 電子情報化 オンライン化 知能化 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
- 31. 神経素子（ニューロン）とは？ 入力 入力 入力 出力 入力 この中にはイオン（電解,Na+,K+） 溶液が入っていて、入力によって電圧が 高まると出力する仕組みになっています。 100mVぐらい ニューラルネットワーク内シグナル伝達スピード 100(m/sec) … 案外遅い http://www.brain.riken.go.jp/jp/aware/neurons.html
- 34. 人工知能がブームになるとき 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 シンボルによる人工知能は 堅実に進化する
- 35. 人工知能がブームになるとき 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 ニューラルネットによる人工知能は、 浮き沈みが激しい。
- 36. 人工知能がブームになるとき 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 ニューラルネットによる人工知能は、浮き沈みが激しい。 ＝ しかし、人工知能がブームになる時は、 必ず改良されたニューラルネットワークが現れる。
- 38. 2 第１次AIブーム 時間 規模 情報革命 ネット革命 知能革命 電子情報化 オンライン化 知能化 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
- 39. 2 第一次ＡＩブーム（1960年代） • コンピューターは大型のものしかない。 • 人工知能という分野自体が誕生したばかり。 • ニューラルネットという新しい分野のブーム。 １９世紀後半 人間の脳は ニューロンという もので出来てい るらしい ２０世紀前半 ニューロンの 電気的性質が 解明される （ホジキン博士、 ハクスレー博士） 1950年代に ニューラルネット 発明 1963年に ホジキン＝ハク スレー方程式が ノーベル賞
- 40. 2 第一次ＡＩブーム（1960年代） もし A ならば B もし B ならば C よって、 もし A ならば C シンボルによる人工知能 （記号主義） ニューラルネットによる人工知能 （コネクショニズム） 推論ベース ニューラルネット 誕生
- 41. 3 第二次ＡＩブーム（1980年代） • パソコンが普及して行く。 • ルールを集めて知能を作ろう。 • 逆伝播法によるニューラルネットのブーム。 パソコンが 世の中で 普及して行く 知識主義 ＝ たくさんの知識 を人工知能に 与えて推論 すれば知能が できる インターネット もなく、知識 が足りない。 推論も専門的 な機能のみ。
- 42. 3 第二次ＡＩブーム（1980年代） IF （A） then B IF （C） then D IF （E） then F IF （G） then H IF （ I ） then J シンボルによる人工知能 （記号主義） ニューラルネットによる人工知能 （コネクショニズム） ルールベース 新しい学習法＝ 逆伝搬法
- 43. 3 第二次ＡＩブーム（1980年代） 0 0 0 【逆伝播法】 ここが１になるように、 結合の強さを、 さかのぼって変えて行く。
- 44. 4 第三次ＡＩブーム（2010年代） • インターネットが普及して行く。 • インターネットで蓄積されたデータを学習させて 知能を作ろう。 • 改善されたニューラルネットのブーム。 インターネット が世の中で 普及して行く データ 学習主義 ＝ たくさんのデー タを人工知能 に学習させる 現在、進行中
- 46. 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
- 47. 目次 • 第一章 人工知能とは？ • 第二章 なぜ今、人工知能技術が注目されているか • 第三章 人工知能の各種事例 • 第四章 人工知能の発展の方向 • 第五章 ゲームAIと人工生命 • 第六章 人工知能と創造性 • 第七章 メタAIの発展 • 第八章 モバイルゲームにおける人工知能 • 第九章 データ解析・学習によるオンラインゲームのサ ポート
- 48. 第三章 人工知能の各種事例
- 49. データの海が人工知能を育てる • Amazon（協調フィルタリング） • IBMワトソン • IBM Watson in みずほ銀行 • AlphaGO • ソニー「デジタルアナウンサー」 • Nvidia「自動運転」 • 医療用診断データベース
- 51. Ａｍａｚｏｎ「協調フィルタリング」 ユーザデータ群 （たとえば販売サイト） A B C ? 評価 5 1 4 A,B,C という映画を購入した人に、 次にどの映画を推薦するべきか？ A B C M 評価 4 2 5 5 同じ購入履歴で、同じような評価をしている 人が高く評価している映画を探して来る。 推薦
- 52. IBM ワトソン ネット上のあらゆるWiki 百科事典データベース など りんご 赤い 90% 甘い 70% 青森 55% フランス 40% 果物 32% … しぶい 7% IBMワトソンは、文章の中の語の相関を学習する。 その学習データを用いて、インプットされた語と、 相関の強い言葉をリストアップする。
- 53. IBM Watson in みずほ銀行 • オペレーターが顧客の要望を復唱する。 • 言葉に変換 • 自動的に関連するマニュアルを表示する https://www.change-makers.jp/business/10573 要件クライ アントさん IBM ワトソン オペレーター バックアップ
- 54. IBM Watson in 東京大学医学部 • 論文を学習させる。 • 論文を積み上げると富士山ぐらいになりそうな勢 い。＝人間では無理。 • 症状を入れると、論文のリストが出て来る。 症状患者さん IBM ワトソン お医者 さん バックアップ
- 55. IBM Watson in 保険会社 • 保険会社の判例を学習させる。 • 一人前になるのに数年かかる。 • かつてはベテランが教えていた。 • タブレットからIBMワトソンがアドバイス 事故 内容 クライアン トさん IBM ワトソン 新人 バックアップ
- 58. AlphaGO 膨大な棋譜のデータ （人間では多過ぎて 読めない） この棋譜を そっくり打てる ように学習する 自己対戦して 棋譜を貯める この棋譜を そっくり打てる ように学習する AlphaGO
- 59. Deep Q-Learning Volodymyr Mnih, Koray Kavukcuoglu, David Silver, Alex Graves, Ioannis Antonoglou, Daan Wierstra, Martin Riedmiller (DeepMind Technologies) Playing Atari with Deep Reinforcement Learning http://www.cs.toronto.edu/~vmnih/docs/dqn.pdf 画面を入力 操作はあらかじめ教える スコアによる強化学習
- 61. 学習過程解析 Volodymyr Mnih, Koray Kavukcuoglu, David Silver, Alex Graves, Ioannis Antonoglou, Daan Wierstra, Martin Riedmiller (DeepMind Technologies) Playing Atari with Deep Reinforcement Learning http://www.cs.toronto.edu/~vmnih/docs/dqn.pdf
- 62. • Pπ ロールアウトポリシー（ロールアウトで討つ手を決める。 Pπ（a|s） sという状態でaを討つ確率） • Pσ Supervised Learning Network プロの討つ手からその 手を討つ確率を決める。Pσ（a|s）sという状態でaを討つ確 率。 • Pρ 強化学習ネットワーク。Pρ（学習済み）に初期化。 • Vθ(s’) 局面の状態 S’ を見たときに、勝敗の確率を予測 する関数。つまり、勝つか、負けるかを返します。 Mastering the game of Go with deep neural networks and tree search http://www.nature.com/nature/journal/v529/n7587/full/nature16961.html https://deepmind.com/research/alphago/
- 63. Mastering the game of Go with deep neural networks and tree search http://www.nature.com/nature/journal/v529/n7587/full/nature16961.html https://deepmind.com/research/alphago/
- 64. あから２０１０ 激指 YSS 合議 Bonanza GPS 将棋 あから2010合議サーバログを可視化してみた（A Successful Failure） http://blog.livedoor.jp/lunarmodule7/archives/1121781.html
- 65. Nvidia「自動運転」 • 専用のグラフィックボードを 開発 • 市場へ向けて投入 • 高速道路用など用途別。 http://www.nvidia.co.jp/object/drive-px-jp.html
- 67. • 人間には扱えないような大きなデータから、 • 人間では気づかない特徴を学習している。 学習する人工知能 から学ぶこと • さらに人間の解釈を通過することなく、 • 直接サービスやアクションを展開する （当然アマゾンの開発者は我々に何を推薦してい るか知らない）
- 69. 第三章まとめ • 人工知能は、オートメーションの新しい姿。 • 人間に近い領域までオートメーションする。 • だから人間には脅威を感じる。 • だからそれは、「社会インフラ」の新しい形で もある。
- 70. 目次 • 第一章 人工知能とは？ • 第二章 なぜ今、人工知能技術が注目されているか • 第三章 人工知能の各種事例 • 第四章 人工知能の発展の方向 • 第五章 ゲームAIと人工生命 • 第六章 人工知能と創造性 • 第七章 メタAIの発展 • 第八章 モバイルゲームにおける人工知能 • 第九章 データ解析・学習によるオンラインゲームのサ ポート
- 71. 第四章 人工知能の発展の方向
- 72. この３００年の技術の動向 時間 規模 産業革命 情報革命 ネット革命 知能革命 機械化・自動化（オートメーション化） 電子情報化 オンライン化 知能化 第二次産業革命 電動化 1750 1860 1960 1990 Now… 現代は「知能化」の時代に 入りつつある。
- 75. 知能化 • 工場 → （知能化） → オートスケジューリング • 配送 → （知能化） → 自動分配・自動配送 • 車 → （知能化） → 自動走行・ＩＴＳ • 家電 → （知能化） → コミュニケーション家電（ルンバなど） • インターネット → （知能化） → Web.4.0 (GoogleのDeep Learning など) • TV → （知能化） → キーワード・趣向による自動録画 • 注文サービス → （知能化） → 自動受付・自動サービス 社会の隅々にまで、知的機能がインプリメント（実装）される。 知能化
- 80. 人間の知能の形/人工知能の知能の形 AlphaGO ＝囲碁しか打てない ＝人間より強い ナビ ＝目的地へのルート ＝ とても正確 お掃除ロボット ＝お掃除しかできない ＝ 24時間掃除 IBM ワトソン ＝記号の統計情報しかない ＝何百万行のテキストの関係を記憶 お料理ロボット ＝お料理しかできない ＝何万と言うレシピ 人工知能＝専門的知能 一つのことしかできない。
- 82. 時間（イメージ） 空間（論理） 殆どの人工知能は与えられたフレーム（問題設定）の 外に出ることはできない。 人間は柔軟にフレーム（問題設定）を創造し 変化させることができる。 人間と人工知能の違い
- 85. この３００年の技術の動向 時間 規模 産業革命 情報革命 ネット革命 知能革命 機械化・自動化（オートメーション化） 電子情報化 オンライン化 知能化 第二次産業革命 電動化 1750 1860 1960 1990 Now… 第一次、第二次ブームにはなくて、第三次ブームにあるもの。 それはインターネットをなどを介して蓄積されたデータである。 第三次ブームの人工知能は、膨大なデータを温床として学習 することで生成される。 第一次AIブーム 第二次AIブーム 第三次AIブーム
- 86. ） 人工 知能 人はどのように人工知能を使っているか？ 情報の海を母体として、人工知能が育っている。 ＝ 情報の海を母体として人工知能が生まれる 人間 記号の海 言葉の海 意味の海 概念の海 情報の海
- 88. 新しい現実空間 人工知能 クラウド 現実世界 （～1995） インターネット 人工知能による新しい空間 パソコン 現実がデジタル空間を内包していたはずが、 内包したデジタル空間が現実を変化させて行く。
- 97. 飽和したネット空間のサービス競争（飽和） IT技術による新しい現実空間のサービス（新規） ネット空間 現実空間 クラウド/人工知能 インターネット 進出・ 浸食 ロボット 実空間 センシング ドローン IoT 現在起こっていること ～ネット空間から現実空間への回帰 ゲーム空間 人工知能 新しい 現実空間の 誕生 https://www.ingress.com @2010-2015 SQUARE ENIX CO., LTD. All Rights Reserved.
- 99. 目次 • 第一章 人工知能とは？ • 第二章 なぜ今、人工知能技術が注目されているか • 第三章 人工知能の各種事例 • 第四章 人工知能の発展の方向 • 第五章 ゲームAIと人工生命 • 第六章 人工知能と創造性 • 第七章 メタAIの発展 • 第八章 モバイルゲームにおける人工知能 • 第九章 データ解析・学習によるオンラインゲームのサ ポート
- 100. 第五章 ゲームAIと人工生命
- 101. FC SFC SS, PS PS2,GC,Xbox Xbox360, PS3, Wii DC （次世代）Hardware 時間軸20051999 ゲームの進化と人工知能 複雑な世界の 複雑なＡＩ ゲームも世界も、ＡＩの身体と内面もますます複雑になる。 単純な世界の シンプルなＡＩ （スペースインベーダー、タイトー、1978年） （アサシンクリード、ゲームロフト、2007年）
- 106. 極性頭部 非極性尾部 水と仲良し 水と溶けあえない （参考）永田和宏 「生命の内と外」 （「考える人」（Vol.45））
- 107. 自己組織化
- 112. エントロピーの法則
- 121. テセウスのパラドックス 物質的構成 ＝ 循環する 物質によらず不変なもの 構造 情報
- 134. ユクスキュルの生物学
- 141. 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
- 142. 機能環 効果器 受容器 知覚と作用で客体を“つかんでいる“ 客体 “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） 知覚世界活動世界 作用器官 知覚器官
- 143. 機能環 効果器 受容器 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
- 144. 環世界のスキーム（機能環） 効果器 受容器 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 知覚微表（Merkmal） ＝ 客体から送られてくるさまざまな刺激 知覚微表担体（Merkmaltrager） ＝客体に備わる刺激を発する諸特質 活動担体（Wirkungstrager） ＝客体の捕捉領域になりうる諸特質
- 145. 環世界のスキーム（機能環） 効果器 受容器 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 受容器 ＝ 一定の刺激を受け取る ＋ 定められた刺激以外のすべての刺激を捨象する （知覚の統一性）
- 146. 機能環 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） 効果器 受容器 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
- 153. エージェント・アーキテクチャ WORLD INTELLIGENCE センサー エフェクター 認識 Knowledge Making 意志決定 Decision Making 運動 Motion Making 記憶体 Memory 情報体としての知能のカタチ 「情報の循環＝インフォメーション・フロー」 は物質の循環の情報版。 これによって知性は自己を情報的に自己組織化できる。やはり知性も散逸構造である。
- 154. 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 現代ゲームAIの仕組み http://dear-croa.d.dooo.jp/download/illust.html http://www.anne-box.com/
- 155. ３Ｄゲームの中のＡＩ Halo （ＨＡＬＯ、バンジー、2001年） デバッグ画面 The Illusion of Intelligence - Bungie.net Downloads http://downloads.bungie.net/presentations/gdc02_jaime_griesemer.ppt
- 161. 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
- 164. 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 現代ゲームAIの仕組み http://dear-croa.d.dooo.jp/download/illust.html http://www.anne-box.com/
- 165. 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 現代ゲームAIの仕組み http://dear-croa.d.dooo.jp/download/illust.html http://www.anne-box.com/
- 166. メタＡＩの歴史 1980 1990 メタＡＩというのは、ゲームそのものに埋め込まれたＡＩ。 1980 1990 2000 古典的メタAI 現代のメタＡＩ キャラクターＡＩ技術の発展
- 168. （例）「ゼビウス」（ナムコ、1983） 敵出現テーブル巻き戻し 敵0 敵１ 敵2 敵3 敵4 敵5 『あと面白い機能なんですけれど、 ゼビウスには非常に簡単なAIが組み込まれています。 「プレイヤーがどれくらいの腕か」というのを判断して、 出てくる敵が強くなるんです。 強いと思った相手には強い敵が出てきて、 弱いと思った相手には弱い敵が出てきます。 そういっ たプログラムが組み込まれています。 ゲームの難易度というのは「初心者には難しくて、上級者 には簡単だ」ということが、 ひとつの難易度で(調整を)やっていくと起きてしまうので、 その辺を何 とか改善したいな、ということでそういったことを始めてみたのですけれど、 お陰で割合にあまり上 手くない人でも比較的長くプレイできる、 うまい人でも最後のほうに行くまで結構ドラマチックに楽 しめる、 そういった感じになっています。』 － 遠藤雅伸（出演）、1987、「糸井重里の電視遊戯大展覧会」『遠藤雅伸ゼビウスセミナー』フジテレビ － ゼビウス
- 170. メタＡＩ Left 4 Dead の事例 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html 今回は Left 4 Dead の事例を見てみる。
- 171. 適応型動的ペーシング [基本的発想] (1) ユーザーがリラックスしている時に、ユーザーの 緊張度が一定の敷居を超えるまで敵をぶつけ 続ける。 (2) ユーザーの緊張度が一定の緊張度を超えると 敵を引き上げる。 (3) リラックスすると敵を出現し始める（(１)へ）。 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 172. 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 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いく。 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 より具体的なアルゴリズム
- 173. メタＡＩがゲームを認識する方法 キャラクター用に作成された ナビゲーションメッシュを メタＡＩがゲームの 状況を認識するために使用する。 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 174. メタAIが作用を行う領域 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html メタＡＩが作用（敵の生成・ 消滅）を行う領域を、 AAS（= Active Area Set） と 言う。
- 175. 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
- 176. 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
- 177. 安全な領域までの道のり(Flow Distance) メタＡＩはプレイヤー群の経路を トレースし予測する。 - どこへ来るか - どこが背面になるか - どこに向かうか Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 178. プレイヤーからの可視領域 可視領域（プレイヤーから見えている 部屋）では、敵のスパウニング（発生） はできない。 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 179. 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 前方と背後のプレイヤー群から見えてない部屋に、 モンスターを発生させる。
- 181. メタＡＩ Left 4 Dead の事例 Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html 今回は Left 4 Dead の事例を見てみる。
- 182. 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 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いく。 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 より具体的なアルゴリズム
- 183. 安全な領域までの道のり(Flow Distance) メタＡＩはプレイヤー群の経路を トレースし予測する。 - どこへ来るか - どこが背面になるか - どこに向かうか Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html
- 186. ナビゲーションAI
- 187. 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。 各ノードの評価距離＝出発点からの経路
- 188. 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
- 189. パス検索とは 現在の地点から指定したポイントへの経路を、 リアルタイムで計算して導く技術。 RTS - Pathfinding A* https://www.youtube.com/watch?v=95aHGzzNCY8
- 190. Counter Strike: Path Following (デモ) The Official Counter-Strike Bot http://aigamedev.com/insider/presentation/official-counter-strike-bot/
- 191. 3次元パス検索 ARMORED CORE V のパス検索（CEDEC 2011） https://cedil.cesa.or.jp/cedil_sessions/view/593 株式会社フロム・ソフトウェア技術部 岡村信幸 https://cedil.cesa.or.jp/cedil_sessions/view/593
- 192. 3次元パス検索 岡村信幸「ARMORED CORE V のパス検索（CEDEC 2011）」 https://cedil.cesa.or.jp/cedil_sessions/view/593
- 193. 3次元パス検索 岡村信幸「ARMORED CORE V のパス検索（CEDEC 2011）」 https://cedil.cesa.or.jp/cedil_sessions/view/593
- 194. 3次元パス検索 岡村信幸「ARMORED CORE V のパス検索（CEDEC 2011）」 https://cedil.cesa.or.jp/cedil_sessions/view/593
- 195. 3次元パス検索 岡村信幸「ARMORED CORE V のパス検索（CEDEC 2011）」 https://cedil.cesa.or.jp/cedil_sessions/view/593
- 196. 3次元パス検索 岡村信幸「ARMORED CORE V のパス検索（CEDEC 2011）」 https://cedil.cesa.or.jp/cedil_sessions/view/593
- 197. 3次元パス検索 岡村信幸「ARMORED CORE V のパス検索（CEDEC 2011）」 https://cedil.cesa.or.jp/cedil_sessions/view/593
- 198. 3次元パス検索 岡村信幸「ARMORED CORE V のパス検索（CEDEC 2011）」 https://cedil.cesa.or.jp/cedil_sessions/view/593
- 199. 3次元パス検索 岡村信幸「ARMORED CORE V のパス検索（CEDEC 2011）」 https://cedil.cesa.or.jp/cedil_sessions/view/593
- 200. 3次元パス検索 岡村信幸「ARMORED CORE V のパス検索（CEDEC 2011）」 https://cedil.cesa.or.jp/cedil_sessions/view/593
- 201. 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 現代ゲームAIの仕組み http://dear-croa.d.dooo.jp/download/illust.html http://www.anne-box.com/
- 202. キャラクターＡＩ
- 212. 意思決定モデル ステート（状態）ベースAI ゴール（目標）ベースAI ルール（規則）ベースAI ビヘイビア（振る舞い）ベースAI 意思決定というものは非常に高度で複雑なプロセスです。 でも、ゲームで用いるいくつかの簡易モデルが存在します。 シミュレーションベース AI ユーティリティ（効用）ベース AI Rule-based AI State-based AI Behavior-based AI Goal-based AI Utility-based AI 「○○-based AI」とは、○○をAIを構築する基本単位として採用したＡＩということ。 タスク（仕事）ベース AI Task-based AI 意思決定 Simulation-based AI
- 213. 意思決定モデル ステート（状態）ベースAI ゴール（目標）ベースAI ルール（規則）ベースAI ビヘイビア（振る舞い）ベースAI 意思決定というものは非常に高度で複雑なプロセスです。 でも、ゲームで用いるいくつかの簡易モデルが存在します。 シミュレーションベース AI ユーティリティ（効用）ベース AI Rule-based AI State-based AI Behavior-based AI Goal-based AI Utility-based AI 「○○-based AI」とは、○○をAIを構築する基本単位として採用したＡＩということ。 タスク（仕事）ベース AI Task-based AI 意思決定 Simulation-based AI
- 216. ステート・マシン ステート ステート ステート ステートマシン（有限状態マシン） ステートに自分への命令、遷移条件に世界と自分の状況の変化を書く。 ループ構造により、フィードバック構造はない。
- 220. 意思決定モデル ステート（状態）ベースAI ゴール（目標）ベースAI ルール（規則）ベースAI ビヘイビア（振る舞い）ベースAI 意思決定というものは非常に高度で複雑なプロセスです。 でも、ゲームで用いるいくつかの簡易モデルが存在します。 シミュレーションベース AI ユーティリティ（効用）ベース AI Rule-based AI State-based AI Behavior-based AI Goal-based AI Utility-based AI 「○○-based AI」とは、○○をAIを構築する基本単位として採用したＡＩということ。 タスク（仕事）ベース AI Task-based AI 意思決定 Simulation-based AI
- 221. 階層型ゴール指向型プランニングとは？
- 223. 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
- 224. ゴール指向アクションプランニングとは？
- 225. F.E.A.R.のプランニング シンボルによる連鎖プランニング ターゲットＡが 死んでいる ターゲットＡが 死んでいる 攻撃 武器が装填 されている 武器が装填 されている 装填する 武器を 持っている 武器を 持っている 武器を拾う 条件なし プラナー プランニング Jeff Orkins, Three States and a Plan: The AI of FEAR http://alumni.media.mit.edu/~jorkin/gdc2006_orkin_jeff_fear.pdf
- 226. 計画を立てるＡＩ/計画を変更するＡＩ Jeff Orkins, Three States and a Plan: The AI of FEAR http://alumni.media.mit.edu/~jorkin/gdc2006_orkin_jeff_fear.pdf
- 227. 意思決定モデル ステート（状態）ベースAI ゴール（目標）ベースAI ルール（規則）ベースAI ビヘイビア（振る舞い）ベースAI 意思決定というものは非常に高度で複雑なプロセスです。 でも、ゲームで用いるいくつかの簡易モデルが存在します。 シミュレーションベース AI ユーティリティ（効用）ベース AI Rule-based AI State-based AI Behavior-based AI Goal-based AI Utility-based AI 「○○-based AI」とは、○○をAIを構築する基本単位として採用したＡＩということ。 タスク（仕事）ベース AI Task-based AI 意思決定 Simulation-based AI
- 229. The Sims シリーズのＡＩの作り方 人をダイナミクス（力学系、動的な数値の仕組み ）として動かす。 世界を動かす PeerAI(=キャラクターＡＩ) を構築。 Sub Peer Meta Meta Peer Sub [原則] 周囲の対象に対する、あらゆる可能な行動から、 ムード（幸せ） 係数を最大化する行動を選択する。 Sims (not under direct player control) choose what to do by selecting, from all of the possible behaviors in all of the objects, the behavior that maximizes their current happiness. Will Wright, AI: A Design Perspective (AIIDE 2005) http://www.aaai.org/Papers/AIIDE/2005/AIIDE05-041.ppt Kenneth Forbus, Will Wright, “Some notes on programming objects in The Sims – Example” http://www.qrg.cs.northwestern.edu/papers/Files/Programming_Objects_in_The_Sims.pdf
- 230. The Sims における「モチーフ・エンジン」 Ken Forbus, “Simulation and Modeling: Under the hood of The Sims” (NorthWerstern University) http://www.cs.northwestern.edu/%7Eforbus/c95-gd/lectures/The_Sims_Under_the_Hood_files/frame.htm Data - Needs - Personality - Skills - Relationships Sloppy - Neat Shy - Outgoing Serious - Playful Lazy - Active Mean - Nice Physical - Hunger - Comfort - Hygiene - Bladder Mental - Energy - Fun - Social - Room Motive Engine Cooking Mechanical Logic Body Etc. AIの人格モデル
- 231. 最適（＝最大効用）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 Toilet - Urinate (+40 Bladder) - Clean (+30 Room) - Unclog (+40 Room) Mood +26 Bathtub - Take Bath (+40 Hygiene) (+30 Comfort) - Clean (+20 Room) Mood +20 [原則] 周囲の対象に対する、あらゆる可能な行動から、 総合的な効用 （＝Mood） を最大化する行動を選択する。
- 232. ムードの計算方法と各パラメーターのウェイトグラフ 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
- 234. 効用(Utility)の計算の仕方 W_Hunger X_Hunger W_Hunger(-80) -80 60 W_Hunger(60) Hunger degree at -80 ＝ W_Hunger(-80)*(-80) Hunger degree at 60 ＝ W_Hunger(60)*(60) Δ ＝ W_Hunger(60)*(60) - W_Hunger(-80)*(-80) Utility for hunger
- 235. 限界効用逓減の法則 X_Hunger W_Hunger(-80) -80 60 W_Hunger(60) Δ（-80 → 60）＝W_Hunger(60)*(60) - W_Hunger(-80)*(-80) Δ (60→90） ＝W_Hunger(90)*(90) - W_Hunger(60)*(60) 90 W_Hunger(90) Δ（-80 → 60） is much larger than Δ(60→90） ある程度満たされたものを満たすより、 満たされないものをある程度満たす方が大きな満足をもたらす Utility for hunger ビールは一杯目が一番おいしい
- 236. The Sims 3 では、多くのムードや欲求が準備される。 行動 対象 GDC09 資料 http://www.gdcvault.com/play/1452/(307)-Breaking-the-Cookie-Cutter
- 240. 意思決定モデル ゴール（目標）ベースAI ルール（規則）ベースAI ビヘイビア（振る舞い）ベースAI 意思決定というものは非常に高度で複雑なプロセスです。 でも、ゲームで用いるいくつかの簡易モデルが存在します。 シミュレーションベース AI ユーティリティ（効用）ベース AI Rule-based AI State-based AI Behavior-based AI Goal-based AI Utility-based AI 「○○-based AI」とは、○○をAIを構築する基本単位として採用したＡＩということ。 タスク（仕事）ベース AI Task-based AI 意思決定 Simulation-based AI ステート（状態）ベースAI
- 254. Behavior Tree Architecture of Spec Ops: The Line Vienna Game/AI Conference 2012 Behavior Workshop
- 255. The Game • Spec Ops: The Line – AAA Third-Person Shooter for Xbox 360, PS3, PC • We are Daniel Kollmann and Jörg Reisig ( YAGER Development / Berlin )
- 256. Behavior Trees in SOTL Summary: • No separation between Evaluation and Execution • Parallel processing of nodes • Loops and decorators • Synchronization points for groups • Events drive the evaluation, reactive
- 257. Behavior Trees in SOTL • No separation between Evaluation and Execution Evaluation aborts currently executed action No Evaluation while an action is being executed Composite Condition Actions
- 258. Behavior Trees in SOTL
- 259. Behavior Trees in SOTL • Parallel processing of nodes Stack can have multiple top nodes All children of a parallel are updated one after another Run in parallel
- 260. Behavior Trees in SOTL
- 261. Behavior Trees in SOTL • Loops Loops keep triggering their child until a certain condition is met. • Decorators Decorators are active as long as their child is running. Keep pushing the child Apply effect/buff
- 262. Behavior Trees in SOTL
- 263. Behavior Trees in SOTL • Gates Gates placed react to counters stored for individual AIs, squads or globally. Check counter Increment counter
- 264. Behavior Trees in SOTL
- 265. • Events and impulses Any node in the stack can be the target of an event. When the event fires the tree jumps back to that node. An impulse checks if a certain event was fired not long ago. If an impulse is not active, it is completely ignored and does not return any result. Behavior Trees in SOTL Jump here Do this
- 266. Behavior Trees in SOTL Jump here Do this
- 267. Behavior Trees in SOTL • Events and impulses Events can also be blocked in a branch. Jump here Do not react to any following need for cover Do this
- 268. Behavior Trees in SOTL
- 269. Behavior Trees in SOTL Final conclusion .... • The event system always aborts active nodes even when not doing anything. Being able to specify some conditions would be nice. • Parallels sort of allow you to create your own behaviour nodes, instead have no parallels and build biggers nodes. • Gates are really useful if used in the right places. For more complex stuff rather do a dedicated node.
- 271. 強化学習 （例）格闘ゲームTaoFeng におけるキャラクター学習 Ralf Herbrich, Thore Graepel, Joaquin Quiñonero Candela Applied Games Group,Microsoft Research Cambridge "Forza, Halo, Xbox Live The Magic of Research in Microsoft Products" http://research.microsoft.com/en-us/projects/drivatar/ukstudentday.pptx Microsoft Research Playing Machines: Machine Learning Applications in Computer Games http://research.microsoft.com/en-us/projects/mlgames2008/ Video Games and Artificial Intelligence http://research.microsoft.com/en-us/projects/ijcaiigames/
- 272. CORE Layer は、Physical Laryer 、Mission Layer のうちで、 どの認識を生成するかを決定するコマンドを投げる。 CERA-CRANIUM認識モデル 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
- 275. 2K Bot Prize FPSを用いたチューリングテスト http://aigamedev.com/open/article/conscious-bot/Movie: AI と人間のプレイヤーが混在しながら戦う。 人間と一番間違われたAIが優勝。
- 278. 戦術位置検索システム
- 279. 戦略位置検出システム（TPS） • ゲーム内の地形を、 • ゲーム内でリアルタイムで把握して、 • 自分の能力に合わせて、 • 最も適した位置を発見する システム
- 280. 戦略位置検出システムの歴史 • Tactical Position Picking Killzone (2005, Guerrilla)で実装される。 • TPS (Tactical Point System) CRYENGINE (2010, CRYTEK)でツール化・システム化 • EQS(Environment Query System) UNREAL ENGINE 4 （2014, Epic games）でツール化・システム化 • PQS (Point Query System) SQUARE ENIX のFFXVの開発で2014年に開発。
- 282. PQS (Point Query System) 弓兵（AI）が次の目的地を発見したい。 (i) ゲーム現状 (ii) AIを中心に点をグリッド状に 生成し配置。（Generation） (iii) 足場の悪い点を除く（Filtering） (iv) 敵の近くのポイント、弓が届かな いポイントを除く 。(Filtering) (v) 味方の近くを除く （Filtering） (vi) 最も高い位置にあるポイントを選 択する。 このようにして、自分の最適な戦術位 置を自分自身で発見する。
- 284. ポイントを動的に配置して評価する
- 285. 戦略位置検出システム Matthew Jack, Mika Vehkala Spaces in the Sandbox: Tactical Awareness in Open World Games (GDC2013) http://www.gdcvault.com/play/1018038/Spaces-in-the-Sandbox-Tactical
- 286. 戦略位置検出システム Matthew Jack, Mika Vehkala Spaces in the Sandbox: Tactical Awareness in Open World Games (GDC2013) http://www.gdcvault.com/play/1018038/Spaces-in-the-Sandbox-Tactical
- 287. 戦略位置検出システム Matthew Jack, Mika Vehkala Spaces in the Sandbox: Tactical Awareness in Open World Games (GDC2013) http://www.gdcvault.com/play/1018038/Spaces-in-the-Sandbox-Tactical
- 288. 戦略位置検出システム Matthew Jack, Mika Vehkala Spaces in the Sandbox: Tactical Awareness in Open World Games (GDC2013) http://www.gdcvault.com/play/1018038/Spaces-in-the-Sandbox-Tactical
- 289. 戦略位置検出システム Matthew Jack, Mika Vehkala Spaces in the Sandbox: Tactical Awareness in Open World Games (GDC2013) http://www.gdcvault.com/play/1018038/Spaces-in-the-Sandbox-Tactical
- 290. 戦略位置検出システム Matthew Jack, Mika Vehkala Spaces in the Sandbox: Tactical Awareness in Open World Games (GDC2013) http://www.gdcvault.com/play/1018038/Spaces-in-the-Sandbox-Tactical
- 291. EQS (E)EQS (Environment Query System) in UE4
- 292. EQS (Environment Query System) in UE4
- 293. EQS (Environment Query System) in UE4