『ゲームAI技術入門』講義用素材
•Als PPTX, PDF herunterladen•
6 gefällt mir•5,650 views
『ゲームAI技術入門』 https://gihyo.jp/book/2019/978-4-297-10828-1 の本書に記載された図の三宅の元スライドを、教育の講義用素材として提供いたします。講義・授業などでご使用ください。 ダウンロードしてご使用ください。PPT形式となっています。 ご使用の際は本URLを参照先としてご銘記ください。
Empfohlen
Weitere ähnliche Inhalte
Was ist angesagt?
Was ist angesagt? (20)
Ähnlich wie 『ゲームAI技術入門』講義用素材
Ähnlich wie 『ゲームAI技術入門』講義用素材 (20)
Mehr von Youichiro Miyake
Mehr von Youichiro Miyake (20)
『ゲームAI技術入門』講義用素材
- 3. お問い合わせ • y.m.4160@gmail.com • Twitter: @miyayou • Facebook: https://www.facebook.com/youichiro.miyake • Slideshare https://www.slideshare.net/youichiromiyake/presentations • LinkedIn https://www.linkedin.com/in/miyayou/
- 5. 第ゼロ章
- 8. ゲームの中の人工知能 ナビゲーションAI キャラクターAI メタAI 環世界 アフォーダン ス 群衆 エージェント アーキテクチャ 意思決定 進化 / 適応/ 学習 戦術位置解析 プロシージャル技術 適応型動的 ペーシング ゲームの外の人工知能 知識表現 ブラックボード コミュニケーション 自律型ＡＩ 世界表現 古典的 メタAI 現代的 メタAI 遺伝的アルゴリズム ニューラルネット ワーク 強化学習
- 10. 4 第三次ＡＩブーム（2010年代） 時間 知能の規模 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 コネクショニズム 記号主義 デジタルゲームAI
- 11. 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
- 16. 第一章
- 17. 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 オリジナル
- 18. オリジナル
- 19. ユーザーエクスペリエンス ユーザー Navigation AI が作る世界 メタAI が作る世界 エージェントAI が作る世界 「ナビゲーションAI」「メタAI」「エージェントAI」の多層的な仕組みでユーザー経験を作る。 オリジナル
- 20. 複数の時間スケールのゲームデザイン 0.1秒 10秒 1分 Will Wright のゲームデザイン論 SporeにおけるゲームAI技術とプロシージャル - DiGRA JAPAN （三宅陽一郎） http://digrajapan.org/?wpdmact=process&did=Ni5ob3RsaW5r オリジナル
- 21. 第二章
- 24. センサー Sensor 知識生成 Knowledge Making 視覚 聴覚 触覚 言語 身体 感覚 欲求 世界の状態 知識 敵の数、位置、速度、 加速度、体力、魔力 環境の状態 天候、気温、特殊状況 アイテムの位置、 モンスターの性質 地形の属性 自分の状態と変化 自分の行 為（攻撃） の結果の 認識 差し迫った 脅威の 認識 言語的 認識 知識 表現
- 25. 知識‐行為＝AIとオブジェクトの関係 知覚： - 緑色 - 丸い - 食べごろ - 大きい - つやつや - 割れる - ここを叩けばいいはず。 作用： - 食べる - 割る。 - 持ち上げる。 - 転がす。 知覚器官による情報 作用器官による行為の形成作用器官によって形成された行為 オリジナル
- 27. 参考 CreatureSmarts: The Art and Architecture of a Virtual Brain, R. Burke, D. Isla, M. Downie, Y. Ivanov, B. Blumberg, GDC 2001 [pdf] http://www.naimadgames.com/publications/gdc01/gdc01.pdf
- 28. ワーキングメモリー （ブラックボード）アクション・システム 内部ブラックボード ゲーム世界 ゲーム世界 センサーシステム 知覚システム 身体感覚システム ターゲット・セレクション アクション・セレクション ナビゲーション・システム 身体制御システム 注目しているオブジェクト AIが指定する身体状態 実際の現在の身体状態 The World The World Sensory System Proprioceptive System Working Memory Navigation System Motor System Action Selection Target Selection Internal Blackboard Object Attention Motor Desired Motor Actual ブラック ボード KS群 KS KS KS KS KS KS KS
- 29. ブラックボード・アーキテクチャ(Blackboard Architecture) Blackboard KS KS KS KS KS KS Arbiter Motivations Emotions Attention Etc. 特徴： - 中央の黒板に情報が蓄積される（されて行く）。 - モジュールはKS(=Knowledge Source)と呼ばれ、特定の専門的な知識や技術に基づいた操作を 黒板の情報に対して行う。 - Arbiter(=調停者)がKSをどのように（順序、タイミングなど）動作させるかを行う。 Bruce Blumberg , Damian Isla, "Blackboard Architectures", AI Game Programming Wisdom (Charles River Media) , 2002
- 30. オリジナル
- 31. Global Workspace Theory (GWT) 注意の焦点 Focus of Attention （スポットライト） 舞台裏の人々＝ディレクター、シーンデザイナー、など。 コンテキストの生成とコントロール(舞台裏) ワーキングメモリ （Scene,Stage） 専門 プロセッサー (観客) ブロードキャスト テンポラリー な連携 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
- 32. Global Workspace Theory (GWT) 注意の焦点＝意識 Focus of Attention ワーキングメモリ （ステージ） KS群 テンポラリー な連携 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 （スポットライト） 書き込み
- 34. 第三章
- 35. オリジナル
- 37. オリジナル 障害物
- 39. Object Persistence for Synthetic Creatures, D. Isla, B. Blumberg, Autonomous Agents and Multi-agent Systems (AAMAS) 2002. http://www.naimadgames.com/publications/aamas02/aamas02.pdf 引用
- 42. 音の発生源イベント タイプ 半径 歩く 疑う（調査開始） 5m 走る 疑う（調査開始） 10m スキル発動（静かに） 疑う（調査開始） 15m スキル発動（うるさく） 疑う（調査開始） 35m ピストル 脅威（戦闘開始） 40m ライフル 脅威（戦闘開始） 40m 爆発（小さい） 脅威（戦闘開始） 25m 爆発（大きい） 脅威（戦闘開始） 50m
- 43. オリジナル
- 44. オリジナル 音の伝搬経路
- 46. 参考 CreatureSmarts: The Art and Architecture of a Virtual Brain, R. Burke, D. Isla, M. Downie, Y. Ivanov, B. Blumberg, GDC 2001 [pdf] http://www.naimadgames.com/publications/gdc01/gdc01.pdf 出現予測時刻を推定壁など遮蔽物 対象（羊）の 速度、時刻を記憶
- 47. 参考 CreatureSmarts: The Art and Architecture of a Virtual Brain, R. Burke, D. Isla, M. Downie, Y. Ivanov, B. Blumberg, GDC 2001 [pdf] http://www.naimadgames.com/publications/gdc01/gdc01.pdf 出現予測時刻を推定壁など遮蔽物 対象（羊）の 速度、時刻を記憶
- 57. 敵キャラクター オリジナル
- 58. オリジナル
- 59. 評判システム Group Reputation Farmers Neural Lawmen Hate Bandits Like Player Hate Townspeople Neural Memory Element 1 2 3 5 Master Event List 1. Bandit Killed Farmer 2. Player Aided Lawmen 3. Player Killed Bandit 4. Player TradedWith Townsperson 5. […] Bandit この盗賊(Bandit)は、Player が味方（Bandit）を殺し、 敵である保安官（Lawmen）を助けたことを聞いて、Player を嫌っている。 NPCごとの記憶 Greg lt, Kristin King, “A Dynamic Reputation System Based on Event Knowledge”, 8.6, AI Game Programming Wisdom 引用
- 60. 評判システム T Memory Element 1 2 3 5 Master Event List 1. Bandit Killed Farmer 2. Player Aided Lawmen 3. Player Killed Bandit 4. Player TradedWith Townsperson 5. […] Bandit この盗賊(Bandit)は、Player が味方（Bandit）を殺し、 敵である保安官（Lawmen）を助けたことを聞いて、Player を嫌っている。 NPCごとの記憶 Greg lt, Kristin King, “A Dynamic Reputation System Based on Event Knowledge”, 8.6, AI Game Programming Wisdom 引用
- 61. Event Announcer B1 B2 B3 イベント登録 一定半径内のNPCに ３をアナウンス B3 B4 敵同士の場合 伝言しない 他の場所でNPC同士が ばったり出会う Greg lt, Kristin King, “A Dynamic Reputation System Based on Event Knowledge”, 8.6, AI Game Programming Wisdom Player NPC NPC NPC NPC NPC NPC Master Event List 参照回数 1. Bandit Killed Farmer 4 2. Player Aided Lawmen 1 3. Player Killed Bandit 4 4. 5. 事件発生ポイント Player Killed Bandit. 参考
- 62. （NPC Aが Joe に出会ったときには、Joe は既に死んでいた） Joe was Killed by unknown group （Joe が Lawmen に撃たれているのを目撃） Joe was shot by lawmen group Joe was killed by lawmen group 不完全な情報から 情報を再構築 思い込みかも…でも、それでいい。 人間とはそういうものじゃないか…（という開発方針） Greg lt, Kristin King, “A Dynamic Reputation System Based on Event Knowledge”, 8.6, AI Game Programming Wisdom NPC NPC NPC NPC 参考
- 63. 引用
- 64. Event Announcer B1 B2 B3 イベント登録 一定半径内のNPCに ３をアナウンス B3 B4 敵同士の場合 伝言しない 他の場所でNPC同士が ばったり出会う Greg lt, Kristin King, “A Dynamic Reputation System Based on Event Knowledge”, 8.6, AI Game Programming Wisdom Player NPC NPC NPC NPC NPC NPC Master Event List 参照回数 1. Bandit Killed Farmer 4 2. Player Aided Lawmen 1 3. Player Killed Bandit 4 4. 5. 事件発生ポイント Player Killed Bandit. 参考 参照回数を＋１
- 65. オリジナル
- 66. Master Event List 参照回数 1. Bandit Killed Farmer 4 2. Player Aided Lawmen 1 3. Player Killed Bandit 11 4. 5. Subject Group Player Verb DidViolenceTo Object Group Bandit Object Individual Joe Magnitude 75(Killed) Where 50,20,128(In front of saloon) When High noon Template KilledBanditTemplate ReferenceCount Known by 11 NPCs Reputation Effects Bandits hate player more Lawmen like player more Farmers like player more Greg lt, Kristin King, “A Dynamic Reputation System Based on Event Knowledge”, 8.6, AI Game Programming Wisdom 引用
- 67. 評判システム（情報交換） メモリーマッチング NPCごとの記憶 Memory Element 信頼度 取得時刻 1 43 0:13:43 3 76 1:4:53 7 63 1:7:45 11 12 1:24:54 12 52 2:6:55 NPCごとの記憶 Memory Element 信頼度 取得時刻 2 43 0:15:13 4 87 0:46:3 7 12 2:17:56 15 53 2:14:45 71 84 3:56:15 同じイベントに対する情報がある場合は、信頼度の高い方の情報に上書き 同じ対象(例えばJoe)に対する情報がある場合は、新しい情報に上書き 上書きするイベント → Master Event List の参照回数＋１ 消去されるイベント → Master Event List の参照回数－１ (Master Event List で参照回数が０になればリストから消去) Greg lt, Kristin King, “A Dynamic Reputation System Based on Event Knowledge”, 8.6, AI Game Programming Wisdom NPC NPC 参考
- 68. メモリーマッチング NPCごとの記憶 Memory Element 信頼度 取得時刻 1 43 0:13:43 3 76 1:4:53 7 63 1:7:45 11 12 1:24:54 12 52 2:6:55 NPCごとの記憶 Memory Element 信頼度 取得時刻 2 43 0:15:13 4 87 0:46:3 7 12 2:17:56 15 53 2:14:45 71 84 3:56:15 同じイベントに対する情報がある場合は、信頼度の高い方の情報に上書き 同じ対象(例えばJoe)に対する情報がある場合は、新しい情報に上書き 上書きするイベント → Master Event List の参照回数＋１ 消去されるイベント → Master Event List の参照回数－１ (Master Event List で参照回数が０になればリストから消去) Greg lt, Kristin King, “A Dynamic Reputation System Based on Event Knowledge”, 8.6, AI Game Programming Wisdom NPC NPC
- 71. 環世界のスキーム（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 参考
- 74. オリジナル
- 75. オブジェクト表現 車 レバー ドアの知識表現 位置 x: 3.0 y:.10,0 レバーで開けることが出来る 壊して開けることが出来る 車の知識表現 位置 x: 3.0 y:.2,0 乗って動かすことが出来る。 時速８０ｋｍで動く。 レバーの知識表現 位置 x: 5.0 y:.5,0 引くが出来る。 （結果：ドアが開く） ドア ドアの知識表現 位置 x:3.0 y:10.0 レバーを引くと開く（ルール） レバーの知識表現 位置 x:5.0 y:5.0 引くことができる（アフォーダンス）. レバーを引くとドアが開く（ルール） 車の知識表現 位置 x:3.0 y:2.0 運転することができる. 最大速度: 80km 物に対する表現 オリジナル
- 78. 第四章
- 80. 旋回タイプ 旋回半径 （最大スピード旋回半径 にかけるファクター） 旋回に要する時間 （推定時間からの 修正値） 最大有効距離 （旋回までに要する 距離） スムーズな カーブ 1.00 -0.35 なし スムーズな カーブ 0.5 -0.35 なし 反転 0.75 -0.20 30m カーブターン 5.0 -0.15 なし カーブターン 1.0 -0.15 なし
- 82. 引用 Javaによる知的エージェント入門 単行本 – 2002/9 ジョゼフ・P. ビーガス (著), ジェニファー ビーガス (著), Joseph P. Bigus (原著), & 2 その 他
- 85. 魔法 回復・補助魔法 攻撃魔法 時間魔法 蘇生 魔法 回復 魔法 状態変 化魔法 水系 魔法 水系 魔法 雷系 魔法 ア ラ イ バ ル ケ ホ イ り ゲ ケ ホ イ ル デ ポ イ ゾ ン フ ァ イ ラ ル ウ オ ラ ル カ ミ ナ リ ク ロ ノ ス ト ッ プ ゲ フ ァ イ ラ ル 42 6 22 8 13 4 9 15 40 12 消費魔法力
- 89. オリジナル
- 90. ゴブリンＸ ｛いつ … 496秒 どこで … 部屋B どのように … 強く 誰に … 壁に 何をした … 穴を掘った なぜ … UNKNOWN 声 … 大きい 力 … UNKNOWN 色 … 黒い ｝ 部屋C ｛スイッチ … 一つ - [アフォーダンス] … 押せる -- [結果]…モンスターが出る 過去 … パーティが全滅した 状態 …床が泥だらけ ｝ オリジナル
- 95. 第五章
- 97. ルール セレクター ルール1: IF (…) THEN (…) ルール2: IF (…) THEN (…) ルール3: IF (…) THEN (…) ルールN: IF (…) THEN (…) …. オリジナル
- 101. オリジナル
- 102. (Example) Quake HFSM http://ai-depot.com/FiniteStateMachines/FSM-Practical.html Monster’s FSM 登場 待機 攻撃 戦闘不能 前進 攻撃 ミサイル スマッ シュ 左攻 撃 右攻 撃 登場シーン終り 目標を見失う 目標を見つける 体力０ 体力０ 近い時 遠い時 ランダム
- 103. 40 50 100スタミナ 60 80 20攻撃力 オリジナル
- 104. 0.6 0.5 0.0 スタミナ （反転） 0.75 1.0 0.25攻撃力 オリジナル
- 105. 0.4 0.5 1.0スタミナ 0.75 1.0 0.25攻撃力 オリジナル
- 106. 0.6 0.5 0.0 スタミナ （反転） 0.75 1.0 0.25攻撃力 0.705 0.85 0.175効用 x0.3 x0.7 オリジナル
- 107. [原理] ムードの値を最大化する行動を選択する. 最適な行動を選択する Hunger +20 Comfort -12 Hygiene -30 Bladder -75 Energy +80 Fun +40 Social +10 Room - 60 Mood +18 トイレ - 排泄する (+40 Bladder) - 洗う (+30 Room) - 詰まりを取る (+40 Room) Mood +26 お風呂 - 入る (+40 Hygiene) (+30 Comfort) - 洗う (+20 Room) Mood +20 http://users.cs.northwestern.edu/~forbus/c95- gd/lectures/The_Sims_Under_the_Hood_files/v3_document.htm
- 108. What is mood ? 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 http://users.cs.northwestern.edu/~forbus/c95- gd/lectures/The_Sims_Under_the_Hood_files/v3_documen t.htm
- 109. X_Hunger W_Hunger(40) -40 20 W_Hunger(20) Δ（-40 → 20） ＝ W_Hunger(20)*(20) - W_Hunger(-40)*(-40) Δ (20→ 80） ＝ W_Hunger(80)*(80) - W_Hunger(20)*(20) 80 W_Hunger(80) Δ（-40 → 20） は Δ(20→60） よりずっと大きい Utility for hunger W_Hunger オリジナル
- 110. 第六章
- 114. • kSymbol_AtNode どのノードにいるか？ • kSymbol_WeaponArmed 武器を持っているか？ • kSymbol_TargetIsSuppressed 威嚇されているか？ • kSymobol_TargetIsAimingAtMe 自分を狙っているか？ • kSymbol_AtNodeType どのタイプのノードにいるか？ • kSymbol_UsingObject オブジェクトを使っているか？ • kSymbol_WeaponLoaded 武器は装填されているか？ • kSymbol_RidingVehicle 車に乗っているか？ • kSymbol_TargerIsDead 戦闘不能か？ • … … Jeff Orkin, “3 States and a Plan: The AI of F.E.A.R.", http://web.media.mit.edu/~jorkin/gdc2006_orkin_jeff_fear.zip 参考
- 115. Preparation for Planning ゲーム世界のシンボル表現 Let’s represent the world AI recognize more simple. Agent-centric Representation kSymbol_AtNode kSymbol_TargetIs AimingAtMe kSymbol_ WeaponArmed kSymbol_ WeaponLoaded kSymbol_Target IsSuppressed kSymbol_ UsingObject kSymbol_ TargetIsDead kSymbol_ RidingVehicle kSymbol_AtNodeType The World is represented by only 20 symbols . Jeff Orkin, “3 States and a Plan: The AI of F.E.A.R.", http://web.media.mit.edu/~jorkin/gdc2006_orkin_jeff_fear.zip 参考
- 117. ゴール 初期状態 コスト：４ コスト：6 コスト：7 コスト：3 コスト：1 コスト：2コスト：1 オリジナル
- 118. 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 CEDEC2006「クロムハウンズにおける人工知能開発から見るゲームAIの展望」（三宅陽一郎） http://cedil.cesa.or.jp/session/detail/50 オリジナル
- 119. 映画を見たい 映画館に行く 映画を見る 映画館は新宿だ 映画館まで歩く 新宿駅に行く 晴れなら 新宿駅へ歩く 雨なら 電車で新宿へ 駅まで歩く 電車に乗る 階層型ゴール指向型プランニングの考え方ル
- 120. クロムハウンズにおける 階層型ゴール指向型プランニング パスに沿って 移動する 通信塔を 見つける パスを見つける通信塔 へ行く 通信塔 を占拠 通信塔を 占領する 撃つ 歩く 止まる 通信塔の 周囲に 10秒間いる 戦術 / 振る舞い ロボット操作 コマンド ゴール オリジナル
- 121. 最も近い敵を倒す 最も近い敵を探す ターゲットへ行く ターゲットを倒す 巡回する 待機する ターゲットの座標へ パス検索する パスをフォローする 最適な攻撃距離まで 移動する 攻撃する オリジナル
- 122. オリジナル
- 123. タスクベースAI タスク（＝仕事）を単位として構築する方法 タスク（＝仕事）の表現は様々なだが、具体的な 仕事の内容を示したものでなければならない。 (単純な場合) 初期状態 ゴールTask１ Carry A to Ground Task2 Carry B to Ground Task3 Carry C on B A B C B C AA B C A BC A C B Task3 Carry A on C オリジナル
- 125. オリジナル
- 127. メソッド （＝タスクの分解の仕方） 袋入 れる ブランチ 全色集める ブランチ 赤と青を集める ブランチ 赤と緑を集める 青拾う 赤拾う 緑拾う 袋入 れる 緑拾う 緑拾う 袋入 れる 赤拾う 青拾う 赤拾う青拾う 順序なしタスク 全順序タスク 局所的順序タスク 全色広場にある 広場には赤と緑の宝石がある 赤と青の宝石がある 原初タスク 回復薬を作る （タスク） 前提条件 オリジナル
- 131. 各メンバーのエージェント・アーキテクチャ 部隊長から の命令 メッセージ 情報 統合 World State HTN プランナー 計画 タスク 実行機 コントローラー インプット 知能内部 感覚刺激 認識 脅威 KILLZONE 2 MULTIPLAYER BOTS https://www.guerrilla-games.com/read/killzone-2-multiplayer-bots 参考
- 133. 部隊長のエージェント・アーキテクチャ 司令官から の命令 各兵士から の報告 情報 統合 World State HTN プランナー 計画 タスク 実行機 各メンバー への命令 知能内部 メモリ領域 実行モジュール KILLZONE 2 MULTIPLAYER BOTS https://www.guerrilla-games.com/read/killzone-2-multiplayer-bots参考
- 134. 銃で攻撃 ロケットで攻撃 銃で攻撃 ロケットで 攻撃 敵がヒューマノイド 射程距離内 敵はヒューマノイドでも砲台でもない 射程距離内 武器を選択して攻撃 （タスク） 装填 攻撃 終了 装填 攻撃 終了 KILLZONE 2 MULTIPLAYER BOTS https://www.guerrilla-games.com/read/killzone-2-multiplayer-bots参考
- 135. … 前進 なし 拠点を防衛するように命令する （タスク） それまでのメンバーデータを消去 新しくメンバーの状況を収集 命令発行シークエンス起動 （これまでの行動を停止せよ） 前進命令を発行 到着したら停止命令 拠点を防衛せよ KILLZONE 2 MULTIPLAYER BOTS
- 136. かがみながら近づく 行動する （タスク） 治療プランスタート 治療を周囲に通達 車 防御 ターゲットを選択 治療器具を使用する 徒歩前進 治療 行動 中止 継続 開始 治療 器具変更なし 器具変更あり メソッド適用 メソッド適用 メソッド適用 メソッド適用
- 137. Handling Complexity in the Halo 2 AI, D. Isla, GDC 2005 http://naimadgames.com/publications.html参考
- 144. eeeeeeeee eeeeeeeee 18 プレイアウト プレイアウト ＝ 白（１８手）を評価するために、 それ以降を合法手（ルール）の中から適当に討つ。 オリジナル
- 145. ゴール スタート オリジナル
- 146. Ⓒ2014 SQUARE ENIX CO., LTD. All Rights Reserved. 第七章
- 151. いろいろな知識表現 事実表現（信頼度表現） 意味ネットワーク 敵表現リスト 依存グラフ ルールベース表現 世界表現 センシングデータ 場所 (x,y,z) 信頼度：0.99 行動 shoot 0.99 体力 47 0.99 演繹データ 脅威度 0.8 重要度 0.9 意志 hurt_me 参考 Javaによる知的エージェント入門 単行本 – 2002/9 ジョゼフ・P. ビーガス (著), ジェニファー ビーガス (著), Joseph P. Bigus (原著), & 2 その他 Beyond Behavior: An Introduction to Knowledge Representation, D. Isla, P. Gorniak, AI Summit http://naimadgames.com/publications.html
- 152. いろいろな知識表現 事実表現（信頼度表現） 意味ネットワーク 敵表現リスト 依存グラフ ルールベース表現 世界表現 センシングデータ 場所 (x,y,z) 信頼度：0.38 行動 move 0.72 体力 47 0.45 演繹データ 脅威度 0.3 重要度 0.8 意志 escape_from_me 5W1H : 信頼度 { when ： 63% who : 25% where : 20% what : 32% why : 50% how : 33% }
- 153. いろいろな知識表現 事実表現（信頼度表現） 意味ネットワーク 敵表現リスト 依存グラフ ルールベース表現 世界表現 センシングデータ 場所 (x,y,z) 信頼度：0.38 行動 move 0.72 体力 47 0.45 演繹データ 脅威度 0.3 重要度 0.8 意志 escape_from_me 5W1H : 信頼度 { when ： 63% who : 25% where : 20% what : 32% why : 50% how : 33% } 太陽の剣 太陽の印 鋼鉄の剣 石板 鋼鉄 木の剣
- 154. いろいろな世界表現 ナビメッシュ-ウェイポイント 階層表現 LOS マップ表現 マップクラスタリング表現 敵配位マップ表現 テリトリー表現 戦術ポイント表現 Halo2Killzone Killzone2Halo Assassin’s Creed Left 4 Dead 前線 中継 後衛 Alex J. Champandard, Remco Straatman, Tim Verweij, "On the AI Strategy for KILLZONE 2's Bots” http://aigamedev.com/open/coverage/killzone2/ Damian Isla,"Building a Better Battle: HALO 3 AI Objectives", http://halo.bungie.net/inside/publications.aspx Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference , http://www.valvesoftware.com/company/publications.html
- 155. 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了。 各ノードの評価距離＝出発点からの経路 オリジナル
- 156. ダイクストラ法 F L B A Ｓ O P D C N M V H Q X K J R T W E I U Z Y G 54 6 3 7 23 B C 3 N 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了。 各ノードの評価距離＝出発点からの経路 Ｓ 6 3 5 8 8 現在の円上のノードの Ｓからの最小距離
- 157. ダイクストラ法 F L B A Ｓ O P D C N M V H Q X K J R T W E I U Z Y G 54 6 3 7 23 3 3 2 24 3 3 5 5 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了。 各ノードの評価距離＝出発点からの経路 B C N D E LJ F Ｓ 6 3 5 8 8 現在の円上のノードの Ｓからの最小距離
- 158. 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 オリジナル
- 159. A*法 F L B A Ｓ O P D C N M V H Q X K 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。ゴール（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 N H3 5+10.5 6+8.4 Ｓ
- 160. Halo2: Orders & Styles Handling Complexity in the Halo 2 AI, D. Isla, GDC 2005 http://naimadgames.com/publications.html Order Push forward Order Push forward Ｉｆ Kiｌｌｅｄ Ｘ ｅnemies Ｉｆ X dead Order fallback
- 161. Halo2: Orders & Styles Handling Complexity in the Halo 2 AI, D. Isla, GDC 2005 http://naimadgames.com/publications.html Order Push forward Order Push forward Ｉｆ Kiｌｌｅｄ Ｘ ｅnemies Ｉｆ X dead Order fallback まずマップを大きくテリトリーに分けます。テリトリーは戦術ポイント（キャラクターが立つべき位置） を持っています。キャラクターは状況が変わると、テリトリーを移動し、テリトリー内の適切な場所に 立ちます。
- 162. Halo2: Orders & Styles Handling Complexity in the Halo 2 AI, D. Isla, GDC 2005 http://naimadgames.com/publications.html Order Push forward Order Push forward Ｉｆ Kiｌｌｅｄ Ｘ ｅnemies Ｉｆ X dead Order fallback 次にそれぞれの領域にビヘイビア・ツリーを割り当てる。 これが、その領域でAIが取る意思決定システムとなります。
- 163. Halo2: Orders & Styles Handling Complexity in the Halo 2 AI, D. Isla, GDC 2005 http://naimadgames.com/publications.html Order fallback GENERAL – root null null_discrete obey guard follow_behavior ready smash_obstacle destroy_obstalce cover_friend blind_panic ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ Style Behavior Control
- 164. Halo2: Orders & Styles Handling Complexity in the Halo 2 AI, D. Isla, GDC 2005 http://naimadgames.com/publications.html Order Push forward Order Push forward Ｉｆ Kiｌｌｅｄ Ｘ ｅnemies Ｉｆ X dead Order fallback GENERAL – root null null_discrete obey guard follow_behavior ready smash_obstacle destroy_obstalce cover_friend blind_panic ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ ✓ Style Behavior Control ェックボックスのツールで ビヘイビアツリーをカスタマイズする。 前線では攻撃的なビヘイビアを✓して入れておき、 、守備的なビヘイビアを✓して入れておきます) の領域に割り当てられたビヘイビアツリーを と言う。
- 165. Halo2: Orders & Styles Handling Complexity in the Halo 2 AI, D. Isla, GDC 2005 http://naimadgames.com/publications.html Order Push forward Order Push forward Ｉｆ Kiｌｌｅｄ Ｘ ｅnemies Ｉｆ X dead Order fallback 次にそれぞれの領域から領域の遷移条件を定義する。 つまり、これは「領域」をステートとするステートマシンとなる。
- 166. b a 世界表現（知識表現の１つ） （例） ８方向の可視距離の各ポイントに埋め込まれたウェイポイント群 (Killzone) マップ全体に関わる知識表現を世界表現という （ウェイポイント、ナビメッシュを基本とする表現） World Representation （WR） 2 2 2 4 83 4 6 4 4 10 1 16 2 2 点aから8方向への最大見晴距離 点bから8方向への最大見晴距離 可視判定： 実際のaからbの距離 < 8 かつ 実際のaからbの距離 < 10 であれば、 点aから点bまで見えていると判断する。 参考
- 167. オリジナル
- 171. (i) (ii) (iii) (iv) (v) (vi) 図１１ オリジナル
- 173. Matthew Jack, “Position Selection in the Sandbox” https://gdcvault.com/play/1018136/Spaces-in-the-Sandbox-Tactical 引用
- 174. オリジナル
- 175. オリジナル
- 177. オリジナル
- 178. オリジナル
- 179. 岡村 信幸、ARMORED CORE Vのパス検索 https://cedil.cesa.or.jp/cedil_sessions/view/593引用
- 180. 第八章
- 183. ブラックボード ナレッジ ソース ナレッジ ソース ナレッジ ソース ナレッジ ソース ナレッジ ソース ナレッジ ソース アービター モチベーション・アテ ンション・感情など 特徴： - 中央の黒板に情報が蓄積される（されて行く）。 - モジュールはKS(=Knowledge Source)と呼ばれ、特定の専門的な知識や技術に基づいた操作を 黒板の情報に対して行う。 - Arbiter(=調停者)がKSをどのように（順序、タイミングなど）動作させるかを行う。 Bruce Blumberg , Damian Isla, "Blackboard Architectures", AI Game Programming Wisdom (Charles River Media) , 2002
- 184. Blackboard KS KS KS KS KS KS Arbiter Motivations Emotions Attention Etc. 特徴： - 中央の黒板に情報が蓄積される（されて行く）。 - モジュールはKS(=Knowledge Source)と呼ばれ、特定の専門的な知識や技術に基づいた操作を 黒板の情報に対して行う。 - Arbiter(=調停者)がKSをどのように（順序、タイミングなど）動作させるかを行う。 Bruce Blumberg , Damian Isla, "Blackboard Architectures", AI Game Programming Wisdom (Charles River Media) , 2002 オリジナル
- 185. 1 2 3 4 5 アービター Ａ Ｂ Ｃ プレイヤー A Slot 2 プレイヤー B Slot 1 プレイヤー A Slot 2 オリジナル プレイヤーたち 敵キャラクターたち Slot
- 186. ステージ マネージャー Attack Weight = 4 Grid Capacity = 5 … 5体まで入っていい。 Attack Capacity = 12 総和が12まで Request Assign Attack Weight = 6 Attack Weight = 4 Attack Weight = 3 Attack Weight = 3
- 187. Attack Weight = 3 ステージ マネージャー Grid Capacity = 3… 3体まで入っていい。 Attack Capacity = 10 総和10まで Request Assign Attack Weight = 6 Attack Weight = 3 Attack Weight = 3 オリジナル Attack Weight = 6
- 188. Steering Behaviors For Autonomous Characters Craig Reynoldshttps://www.red3d.com/cwr/steer/
- 193. オリジナル
- 194. オリジナル
- 198. 商店 家 飲み屋 店に並ぶキャラクター列店員のキャラクター 並ぶキャラクターが エントリーするブラックボード エントリー 帰宅 帰宅商店 飲み屋移動 移動 移動 店員のキャラクターの一日のスケジュール 8:30 9:00 18:00 18:30 20:00 20:30 24:000:00 スロット オリジナル
- 199. オリジナル
- 200. 第九章
- 201. 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引用
- 204. 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 引用
- 205. Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html 参考
- 206. 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 (1) リラックスを破るように敵を出現させる。 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行く。 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引用
- 207. オリジナル
- 208. WarFrame における自動生成マップの 自動解析による自動骨格抽出 • 自動生成するだけでなく、自動生成したダンジョンを、自動解 析します。ここでは、トポロジー（形状）検出を行います。 引用
- 209. ヒートマップ（影響マップ）を用いて ゲーム中にプレイヤーの周囲を自動解析 「ヒートが増加する＝プレイヤーが近づく点」 「ヒートが減少する＝プレイヤーが遠ざかる点」 Daniel Brewer, AI Postmortems: Assassin's Creed III, XCOM: Enemy Unknown, and Warframe (GDC2015) http://www.gdcvault.com/play/1018223/AI-Postmortems-Assassin-s-Creed引用
- 212. プランニングによる物語生成技術 アレックスは地図を 見ながら鍵の隠され ている宝箱を開きま した。 鍵を持っていない 鍵を持っている 地図を持っている 地図を持っている 物語要素 オリジナル
- 214. プランニングによる物語生成技術 アレックスは地図を 見ながら魔王のいる部 屋の扉を開けました。 鍵を持っている 地図を持っている 地図を持っている ラスボスバトルスタート 物語要素 オリジナル
- 216. オリジナル
- 217. オリジナル
- 218. オリジナル
- 219. オリジナル
- 220. Tom Mathews Making "Big Data" Work for 'Halo': A Case Study http://ai-wiki/wiki/images/d/d8/AI_Seminar_177th.pdf オリジナル
- 221. ゲーム開発者 ゲームシステム 敵・味方キャラクターたちゲーム・オブジェクト ゲームイベント プレイヤー・キャラクター ユーザー ゲームデザイン ユーザー・エクスペリエンス 静的制御 ロード ロード ロード 作成
- 223. 第十章
- 225. 環境認識のモデル 出自 学問 レベル アプローチ 主体 環世界 （機能環） 生物 生物学 原初的 生理学・解剖学 生態 生物的主体 アフォーダンス 人間 心理学 認識 生態学的心理学 （心の現象） 認知的主体 知識表現 AI 人工知能 知能 エンジニアリング 理知的主体
- 226. 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 オリジナル
- 229. S O O’S’ O’’S’’ R R R R Sequence of Self (自己の序列) 自己はそれぞれのレイヤー の主体の集合となる 対象は対象イメージ の積み重ねとなる Vector to move Vector to enter 対象イメージ 主体 行為: f’ 感覚: p’ 行為: f 感覚: p’ それぞれの知能の層 環世界 行為: f’’ 感覚: p’’ 自己 対象 イメージ Sequence of Object Image (対象イメージ の序列) オリジナル（画像は引用なの差し替え）
- 230. S O O’S’ O’’S’’ R R R R Sequence of Self (自己の序列) 自己はそれぞれのレイヤー の主体の集合となる 対象は対象イメージ の積み重ねとなる 対象イメージ 主体 行為: f’ 感覚: p’ 行為: f 感覚: p’ それぞれの知能の層 環世界 行為: f’’ 感覚: p’’ 自己 対象 イメージ Sequence of Object Image (対象イメージ の序列) オリジナル（画像は引用なの差し替え）
- 232. ロボット知能 ロボット身体 知能 身体 人工知能 人工身体 人間 ロボット キャラクター 現実空間 仮想空間 オリジナル
- 235. 意思決定 システム アニメーショ ン ・アクチュ エーター ア ニ メ ｜ シ ョ ン ・ グ ラ フ Move Program Move Controller （命令を物理駆動に変換） Move Aim Act Etc. アクチュエーター 命令群 Act Program Act Program Aim Program Look-at Program Base Programs Post-process Programs Full Body Act Controller Paralell Act Controller Aim Controller Look-at Controller オリジナル
- 236. 意思決定 システム アニメーション ・アクチュエー ター ア ニ メ ｜ シ ョ ン ・ グ ラ フ 移動プログラム 移動 コントローラ （命令を物理駆動に変換） Move Aim Act Etc. アクチュエーター 命令群 Act プログラム Act プログラム 狙うプログラム 見上げるプログラム ベースプログラム ポストプロセスプログラム フルボディ Act コントローラ 並行 Act コントローラ 狙い コントローラ 見上げる コントローラ オリジナル スロット アニメーション プログラム層 コントローラ層
- 238. AI + Animation A.I. アニメーションA 再生 アニメーションB 再生 アニメーションC 再生 加算アニメーション 加算アニメーション遷移 加算アニメーション遷移 補正 補正 補正 オリジナル
- 239. ベルンシュタイン「動作構築のレベル」 レベルD 行為のレベル 運動を連鎖させて行為を作り出す（連鎖構造） レベルC 空間のレベル その運動を周囲の空間に合わせる レベルA 緊張のレベル 身体の静的な姿勢のための微調整（動的平衡） レベルB 筋-関節リンクのレベル 関節の連合による運動の原型の生成（動作のリズム） オリジナル
- 240. オリジナル
- 241. オリジナル
- 242. 第十一章
- 243. ローブ1 ローブ2 ニューロン Grand, Stephen; Cliff, Dave (1998). "Creatures: Entertainment Software Agents with Artificial Life". Autonomous Agents and Multi-Agent Systems. 1 (1): 39–57. doi:10.1023/A:1010042522104 https://link.springer.com/article/10.1023%2FA%3A1010042522104 参考
- 244. 意思決定ローブ コンセプトローブ （640ニューロン） 認識ローブ 注意 刺激源 名詞 動詞 いろいろ Drives 知能を構成するローブの構成 Grand, Stephen; Cliff, Dave (1998). "Creatures: Entertainment Software Agents with Artificial Life". Autonomous Agents and Multi-Agent Systems. 1 (1): 39–57. doi:10.1023/A:1010042522104 https://link.springer.com/article/10.1023%2FA%3A1010042522104 参考
- 245. 参考 森川幸人 テレビゲームへの人工知能技術の利用 人工知能学会誌 Vol.14 No.2 http://www.ai-gakkai.or.jp/jsai/whatsai/PDF/article-iapp-7.pdf
- 246. 遺伝的アルゴリズムの仕組み 遺伝子 遺伝子 次世代 親① 親② 母集団から優秀な親を ２体ピックアップ 遺伝子を掛け合わせる 次世代の子供を産み出す (selection) (crossover) (production) 現世代 このサイクルをくり返すことで世代を進めて望ましい集団を産み出す 遺伝子 遺伝子
- 247. 遺伝子 染色体 次世代 親① 親② 母集団から優秀な親を ２体ピックアップ 染色体を掛け合わせる 次世代の子供を産み出す (selection) (crossover) (production) 現世代 遺伝子 染色体 遺伝子身長 耐性_快光線腕力 脚力 耐性_かかし体重 [バブーの属性（総計５６）]
- 248. 遺伝子 染色体 次世代 親① 親② 母集団から優秀な親を ２体ピックアップ 染色体を掛け合わせる 次世代の子供を産み出す (selection) (crossover) (production) 現世代 遺伝子 染色体
- 249. Ralf Herbrich:“Forza, Halo, Xbox Live: The Magic of Research in Microsoft Products”, Microsoft, The Student Technology Day, 2008https://www.microsoft.com/en-us/research/project/video-games-and-artificial-intelligence/?from=http%3A%2F%2Fresearch.microsoft.com%2Fen-us%2F 参考
- 250. Ralf Herbrich:“Forza, Halo, Xbox Live: The Magic of Research in Microsoft Products”, Microsoft, The Student Technology Day, 2008https://www.microsoft.com/en-us/research/project/video-games-and-artificial-intelligence/?from=http%3A%2F%2Fresearch.microsoft.com%2Fen-us%2F 参考
- 251. ゲームログの 集合 ワールド ステートA ワールド ステートB ワールド ステートX ワールド ステートY… アクション シークエンス A アクション シークエンス B アクション シークエンス X アクション シークエンス Y 現在のワールドステート マッチング アクション シークエンスX 準備 （開発中） ランタイム Hayles, B.：Case-based Reasoning for Player Behavi nucl.ai Conference （2015）；https://archives.nucl.ai reasoning-for-player-behavior-cloning-in-killer-inst 参考
- 252. 現在の ゲーム状態 手A 手B 手C ラ ン ダ ム ・ シ ミ ュ レ ｜ シ ョ ン 勝率＝4/5 勝率＝1/3 勝率＝3/4 勝利 敗北 選択される手 オリジナル
- 253. オリジナル
- 254. オリジナル
- 255. ゲームAI技術 ゲームAI技術 AI技術 プロシージャル 技術 コンテンツ自動生成技術 （PCG, Procedural Contents Generation ） オリジナル
- 256. 参考先があったはず
- 257. Dave C. Pottinger:“Terrain Analysis in Realtime Strategy Games”, Game Developers Conference 2000, 2000 http://www.gamasutra.com/gdcarchive/2000/pottinger.doc参考
- 258. Colt McAnlis: HALO WARS: The Terrain of Next-Gen https://www.gdcvault.com/play/1277/HALO-WARS-The-Terrain-of参考
- 259. 引用
- 260. Halldor Fannar:“The Server Technology of EVEOnline: How to Cope With 300,000 Players on One Server”, Game Developers Conference Austin 2008,2008 https://www.gdcvault.com/play/1014077/The-Server-Technology-of-EVE 参考
- 261. 最上層 ユーザーのアクションの単位の１マス ＜ユーザー・エディット・ウィンドウ＞ 第二階層 （２ｘ２マスを１単位とする） 人口密度、交通渋滞、環境汚染度、ラン ドバリュー、犯罪発生率を計算し伝播 第三階層 （４ｘ４マスを１単位とする） 地形の状況を計算し伝播 第四階層 （８ｘ８マスを１単位とする） 人口増加率、消防署、警察署、消防署の 影響力、警察署の影響力を計算し伝播 影響度 計算 影響度 伝播 ウィル・ライトが明かすシムシティーのすべて (コンプコレクション) 単行本 – 1990/12 ウィル ライト (著), 多摩 豊 (翻訳)参考
- 262. 第一世代 F 第二世代 F[-F]F[+F][F] 第三世代 F[-F]F[+F][F] [-F[-F]F[+F][F] ] F[-F]F[+F][F] [+F[-F]F[+F][F] [F[-F]F[+F][F] ] 第一世代 第二世代 第三世代 オリジナル
- 263. 第１２章
- 267. Neural Networks in Supreme Commander 2 (GDC 2012) Michael Robbins (Gas Powered Games) http://www.gdcvault.com/play/1015406/Off-the-Beaten-Path-Non http://www.gdcvault.com/play/1015667/Off-the-Beaten-Path-Non 入力層 （34ノード） 中間層 （98ノード） 出力層 （15ノード） 一番弱い敵一番近い敵 一番評価の高い敵 敵の体力 敵のスピード 敵の選択 複数の敵の情報 参考
- 268. Tom Mathews Making "Big Data" Work for 'Halo': A Case Study http://ai-wiki/wiki/images/d/d8/AI_Seminar_177th.pdf引用
- 269. 開発会社 システム 詳細 参照 Ubi 2018 Assassin’s Creed Origin の レベルアセット自動検証 スクリプトによるオブジェクト同士の干渉テスト キャラクターの生成ポイントと配置オブジェクトの干 渉テスト / スクリプトによるテスト ‘Assassin’s Creed Origins‘: Monitoring and Validation of World Design Data Nicholas Routhier Ubisoft Montreal http://www.gdcvault.com/play/1025054/-Assassin-s-Creed-Origins Guerrilla 2018 Horizon Zero Down の自動 プレイ 毎晩、自動的にAIキャラクターがゲームをプレイ ‘Horizon Zero Dawn’: A QA Open World Case Study Ana Barbuta https://www.gdcvault.com/play/1025326/-Horizon-Zero-Dawn-A EA 2018 Battlefield1における模倣学 習による自動プレイ 模倣学習によるキャラクターがゲーム内で戦い合う https://www.ea.com/seed/news/seed-imitation-learning- concurrent-actions https://www.ea.com/seed/news/self-learning-agents-play-bf1 SEGA 2018 「龍が如く」～「北斗が如く」 における自動プレイ ログからの自動リプレイシステム 無料で始める！「龍が如く」を面白くするための高速デバッグログ分 析と自動化https://cedil.cesa.or.jp/cedil_sessions/view/1621 RARE 2017 Thief における Unreal Engine 上のキャラクタービ ヘイビアの自動テスト テストがクエリーの形でリスト化されて、毎晩テスト される AUTOMATED TESTING FOR MULTIPLAYER GAME-AI IN SEA OF THIEVES ROBERT MASELLA RARE — MICROSOFT GAME STUDIOS http://gameainorth.com/2017/ DELiGHT WORKS 2017 Fate/Grand Orderにおける 自動リプレイ サーバーを経由したログの収集とコマンド関数列 の再現 Fate/Grand Orderにおける自動リプレイを用いたQA改善への挑戦 http://cedil.cesa.or.jp/cedil_sessions/view/1716 DeNA 2017 「逆転オセロニア」における 自動ゲームプレイ 強化学習を用いて機械学習させる DeNA TechCon2018 ゲーム体験を支えるための強化学習 https://www.slideshare.net/juneokumura/dena-techcon2018 SQUARE ENIX 2017 「グリムノーツ」における自 動ゲームバランス 遺伝的アルゴリズムを用いてプレイヤーAI群を進 化させてゲームバランスを調査する 遺伝的アルゴリズムによる人工知能を用いたゲームバランス調整 http://cedil.cesa.or.jp/cedil_sessions/view/1655 DeNA 2016 「FINAL FANTASY Record Keeper」における自動プレイ ニューロエボリューションによるプレイヤーAIの作 成 AIによるゲームアプリ運用の課題解決へのアプローチ https://cedil.cesa.or.jp/cedil_sessions/view/1511 強化学習を利用した自律型GameAIの取り組み ~高速自動プレイに よるステージ設計支援 https://www.slideshare.net/dena_tech/gameai-denatechcon Cygames 2016 総合システム構築 OpenCV、Python、Appiumの組み合わせ ゲーム開発におけるデバッグ作業の自動化 ～ OpenCVの「眼」で捉 え、Pythonの「脳」が思考し、Appiumの「指」で動かす http://cedil.cesa.or.jp/cedil_sessions/view/1575 http://tech.cygames.co.jp/archives/2937/ オリジナル
- 270. プレイヤー・プロフィールデータ - [名前] ファウスト - ステータス - [体力] 257 - [魔法力] 137 - [装備] -- [右手武器] 超新星光剣 -- [左手武器] こんぼう -- [防具] 月の魔笛 -- [指輪] ブルーリング - [レベル] 31 - [職業] 戦士 - [覚えている魔法リスト] フルファイラル ウオラル デポイゾ - 経路 - [最後に訪れた街] ケルム - [最後に訪れたダンジョン] 北のほこらの洞窟 -- [滞在時間] 4時間33分 -- [受けた総ダメージ] 17321 -- [魔法使用量] 383 -- [消費したアイテムリスト] 薬草 リ エラート ナミル ウロ 物語10 魔法石 34 毒気薬 7 -- [倒したモンスターのリスト] ザッコ― ボムラス ニコラム 大狼 -- [戦闘不能にされたモンスター] 大狼 - [徒歩距離] 1782km - [これまでに訪れて来た街のリスト] グ ケルム タリム ヴェルダ - [最後の話した人物] カイル - [物語の進行度] 73% - [探しているアイテム] ふしぎの杖 - [これまで聞いたキーワードのリスト] 霧の山脈 白銀の搭 オリジナル
- 271. インプット データ解析 アウトプット エラー修正 追加・改善テスト テスト エクセル メイル 地図 ワールドデータ コード デザイン 'Assassin's Creed Origins': Monitoring and Validation of World Design Data Nicholas Routhie https://www.gdcvault.com/play/1025452/-Assassin-s-Creed-Origins参考