[국내논문]컴퓨터 게임을 위한 물리 엔진의 성능 향상 및 이를 적용한 지능적인 게임 캐릭터에 관한 연구 Research on Intelligent Game Character through Performance Enhancements of Physics Engine in Computer Games원문보기
이 논문은 컴퓨터 게임을 위한 물리 엔진의 성능 향상 및 이를 적용한 지능적인 게임 캐릭터에 관한 연구를 서술한다. 물리적 상황을 자동으로 인식하는 알고리즘으로는 Momentum back-propagation을 적용하였다. 또한 우리는 각 상황에 따른 적분 방식의 실험 결과를 제시한다. 실험을 위하여 Euler Method, Improved Euler Method, 및 Runge-kutta Method의 세 가지의 적분 방식을 적용하였다. 각 적분 방식의 실험 결과에서 충돌이 없는 상황에서는 Euler Method가 최적의 성능을 보여주었다. 또한 충돌 상황에서는 세 가지 방식이 모두 비슷한 성능을 보여주었지만, Runge-kutta Method가 최적의 정확도를 보여주었다. 물리 상황인식에 대한 실험결과에서는 입력 층과 출력 층이 고정된 상태에서 은닉 층이 3일 때 가장 좋은 성능을 보여주었고, 또한 학습횟수가 30000일 때 최적의 성능을 보여주었다. 앞으로 우리는 다른 장르의 게임에 이러한 물리적 컨텍스트(context)를 인식하는 연구를 진행할 것이며 또한 전체 게임의 성능을 증가할 수 있도록 M-BP이외의 인식 알고리즘을 적용할 것이다.
이 논문은 컴퓨터 게임을 위한 물리 엔진의 성능 향상 및 이를 적용한 지능적인 게임 캐릭터에 관한 연구를 서술한다. 물리적 상황을 자동으로 인식하는 알고리즘으로는 Momentum back-propagation을 적용하였다. 또한 우리는 각 상황에 따른 적분 방식의 실험 결과를 제시한다. 실험을 위하여 Euler Method, Improved Euler Method, 및 Runge-kutta Method의 세 가지의 적분 방식을 적용하였다. 각 적분 방식의 실험 결과에서 충돌이 없는 상황에서는 Euler Method가 최적의 성능을 보여주었다. 또한 충돌 상황에서는 세 가지 방식이 모두 비슷한 성능을 보여주었지만, Runge-kutta Method가 최적의 정확도를 보여주었다. 물리 상황인식에 대한 실험결과에서는 입력 층과 출력 층이 고정된 상태에서 은닉 층이 3일 때 가장 좋은 성능을 보여주었고, 또한 학습횟수가 30000일 때 최적의 성능을 보여주었다. 앞으로 우리는 다른 장르의 게임에 이러한 물리적 컨텍스트(context)를 인식하는 연구를 진행할 것이며 또한 전체 게임의 성능을 증가할 수 있도록 M-BP이외의 인식 알고리즘을 적용할 것이다.
This paper describes research on intelligent game character through performance enhancements of physics engine in computer games. The algorithm that recognizes the physics situation uses momentum back-propagation neural networks. Also, we present an experiment and its results, integration methods th...
This paper describes research on intelligent game character through performance enhancements of physics engine in computer games. The algorithm that recognizes the physics situation uses momentum back-propagation neural networks. Also, we present an experiment and its results, integration methods that display optimum performance based on the physics situation. In this experiment on integration methods, the Euler method was shown to produce the best results in terms of fps in a simulation environment with collision detection. Simulation with collision detection was shown similar fps for all three methods and the Runge-kutta method was shown the greatest accuracy. In the experiment on physics situation recognition, a physics situation recognition algorithm where the number of input layers (number of physical parameters) and output layers (destruction value for the master car) is fixed has shown the best performance when the number of hidden layers is 3 and the learning count number is 30,000. Since we tested with rigid bodies only, we are currently studying efficient physics situation recognition for soft body objects.
This paper describes research on intelligent game character through performance enhancements of physics engine in computer games. The algorithm that recognizes the physics situation uses momentum back-propagation neural networks. Also, we present an experiment and its results, integration methods that display optimum performance based on the physics situation. In this experiment on integration methods, the Euler method was shown to produce the best results in terms of fps in a simulation environment with collision detection. Simulation with collision detection was shown similar fps for all three methods and the Runge-kutta method was shown the greatest accuracy. In the experiment on physics situation recognition, a physics situation recognition algorithm where the number of input layers (number of physical parameters) and output layers (destruction value for the master car) is fixed has shown the best performance when the number of hidden layers is 3 and the learning count number is 30,000. Since we tested with rigid bodies only, we are currently studying efficient physics situation recognition for soft body objects.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
한다. 우리는 본 연구를 위한 전체 아키텍처를 제안하였고 그에 대한 실험을 하였다. 제안된 아키텍처는 Physics Context-aware Component, Numerical Integration Compo nent, 그리고 Game Character Manager로 구성되었다.
성능 저하를 초래한다. 우리의 연구는 물리엔진을 적용한 게임에서 물리 컨텍스트를 인식하여 자신의 행동을 지능적으로 판단하는 캐릭터에 관한 것이다. 이는 물리엔진의 계산 연산뿐만 아니라 인공지능 알고리즘에 대한 연산도 수행해야 하기 때문에 게임의 성능에 있어서 많은 장애를 가져온다.
이 논문에서 제시하는 실험은 물리엔진이 적용된 게임 속에서 주인공 및 적 자동차가 움직일 때 발생하는 상황에 따른 최대의 충격량을 M-BP를 이용하여 정확하게 예측할 수 있는지에 대한 실험이다. 실험은 두 가지 방식으로 정확도를 실험하였다.
그러나 물리엔진만이 적용된 게임은 캐릭터의 사실적인 움직임만을 표현할 뿐 캐릭터에게 생명력을 심어주지는 못한다. 이 논문에서는 물리엔진이 적용된 게임에서 주인공 캐릭터가 행동할 때 발생하는 물리적 요소를 지능적 캐릭터가 인식하여 자신의 행동을 스스로 결정하는 살아있는 캐릭터 생성을 위한 연구를 제시하고자 한다. 이러한 연구는 게임 인공지능의 한 분야하고 할 수 있다.
이 논문에서는 자동적인 물리적 상황 인식 중 자동차를 게임에 대해서 아키텍처를 제시하고 그에 대한 실험을 한다. 자동차 게임에서는 하나의 주인공 자동차와 주인공 자동차를 공격하는 많은 수의 적 자동차들이 존재한다.
학습 방법을 적용한 지능적 캐릭터에 관한 연구는 실제 게임에서의 적용이 부분적으로 이루어질 수 있는 좋은 모델이 된다[11]. 이 논문은 물리엔진을 적용한 게임에서 물리적 수치에 대한 학습을 통하여 지능적으로 동작하는 게임 캐릭터에 대한 모델을 제시한다.
제안 방법
대한 실험이다. 실험은 두 가지 방식으로 정확도를 실험하였다. 첫 번째가 은닉 층의 변경으로 인한 알고리즘 정확도 실험이고, 두 번째가 학습회수의 통제에 의한 알고리즘 정확도 실험이다.
우리는 에서 제시된 5가지의 충돌에 관여하는 요소를 기반으로 두 차의 충돌 시 발생하는 충돌 값을 기반으로 최대의 충돌이 일어날 수 있는 상황을 예측하는 실험을 제시한다.
하지만 게임 속에서의 물리현상에 대한 패턴 인식 알고리즘의 적용은 게임의 성능에 저하를 가져온다. 이에 대한 해결방안으로 물리엔진에서의 상황에 따른 최적의 적분기를 사용하여 물리 엔진의 성능을 향상하는 방식으로 게임에서의 반응속도를 최적화한다[4].
우리는 본 연구를 위한 전체 아키텍처를 제안하였고 그에 대한 실험을 하였다. 제안된 아키텍처는 Physics Context-aware Component, Numerical Integration Compo nent, 그리고 Game Character Manager로 구성되었다. Physics Context-aware Component에서는 물리 컨텍스트를 기반으로 그에 대한 학습과 예측을 실행한다.
대상 데이터
이러한 연산 장애를 극복하고자 우리의 논문에서는 Numerical Integration Component를 제시하였다. 이 논문에서 우리는 지능적인 캐릭터의 적용 대상으로 자동차 시뮬레이션을 구현하였다. 물리엔진에서는 개체의 이동에 따른 개체의 방향 및 위치계산에 Euler Method, Improved Euler Method, Runge-kutta Method를 적용한다.
게임에서의 중요한 요소로 자리잡을 것이다. 이 논문에서의 연구는 자동차 게임에 한정되어 있다. 앞으로 우리는 다른 장르의 게임에서 이러한 물리 컨텍스트를 인식하는 연구를 진행할 것이며 또한 전체 게임의 성능을 증가할수 있도록 M—BP이외의 인식 알고리즘을 적용할 것이다.
첫 번째가 은닉 층의 변경으로 인한 알고리즘 정확도 실험이고, 두 번째가 학습회수의 통제에 의한 알고리즘 정확도 실험이다. 주인공 자동차와 적 자동차로부터 5가지의 물리 컨텍스트를 입력 값으로 전달 받기 때문에 입력 층의 수는 고정되어서 실험되었다. 또한 출력층의 개수도 주인공 자동차의 파괴 값이 100을 기준으로 10 등분 하여 총 10층의 출력 층이 고정되어 실험되었다.
이론/모형
물리엔진에서는 모든 개체의 움직임을 게임에 적용할 때 Integration Method# 적용하여 개체의 움직임을 계산하는데 주로 Euler method, improved Euler method, Runge-Kutta me나iod 중 하나가 사용된다. Numerical Integration Component에서는 주인공 자동차와 적 자동차 간의 상황에 따라서 최적의 성능을 발휘하는 Integration method를 적용한다. 실제 게임에서 물리적 상황을 인식하는 기능을 포함하면 게임전체의 성능 저하를 초래하는데 Numerical Integration Component는 이에 대한 성능감소 부분을 보완하는 역할을 담당한다.
이 논문에서 우리는 지능적인 캐릭터의 적용 대상으로 자동차 시뮬레이션을 구현하였다. 물리엔진에서는 개체의 이동에 따른 개체의 방향 및 위치계산에 Euler Method, Improved Euler Method, Runge-kutta Method를 적용한다. 하지만 각각의적분 메서드는 물리적 상황에 따라 서로 다른 성능을 나타낸다.
이 결과에 따라서 적 자동차는 주인공 자동차와의 충돌 여부를 결정한다. 우리는 인공지능 게임 캐릭터 실험을 위하여 모멘텀 역전파 알고리즘(Momentum Back Propagation Algorithm)을 사용하였다. (그림 4)는 우리의 실험에서 적용된 M-BP의 의사코드를 보여준다.
이 논문에서 각각의 캐릭터가 주인공 캐릭터의 물리적 요소를 인식하기 위한 알고리즘으로는 momentum back-propagation NNs[3]이 사용되었다. 하지만 게임 속에서의 물리현상에 대한 패턴 인식 알고리즘의 적용은 게임의 성능에 저하를 가져온다.
담당한다. 이 논문에서는 상황 판단을 위하여 M-BP알고리즘을 적용하여 상황을 학습하고 판단한다.<표 1>은 상황판단을 위한 주인공과 적 자동차에서 추출되는 물리적 컨텍스트를 정의한다.
성능/효과
실험에서 나타난 바와 같이 Physics Context-aware Component는 입력 층이 5로 고정되어있고 출력 층이 10으로 고정된 상황에서 실험되었고 은닉 층이 3계층이고 학습 횟수가 30000정도 일 때 가장 좋은 성능(정확도 92%)을 보여주었다.
이 논문에서 제안되고 실험된 컴퓨터 게임을 위한 물리 엔진의 성능 향상 및 이를 적용한 지능적인 게임 캐릭터에 관한 연구는 물리엔진의 적용으로 인해 게임의 사실성을 높여주고, 물리엔진에 기반한 게임 속 캐릭터들의 물리 수치를 인식함에 따라 게임 속 캐릭터의 생명력을 느끼게 해 주는 역할을 한다. 우리는 본 연구를 위한 전체 아키텍처를 제안하였고 그에 대한 실험을 하였다.
후속연구
이 논문에서의 연구는 자동차 게임에 한정되어 있다. 앞으로 우리는 다른 장르의 게임에서 이러한 물리 컨텍스트를 인식하는 연구를 진행할 것이며 또한 전체 게임의 성능을 증가할수 있도록 M—BP이외의 인식 알고리즘을 적용할 것이다.
현재 많은 게임에서 물리엔진이 사용되고 있으므로, 향후에는 이러한 물리엔진이 적용된 게임에서의 물리적 상황인식이 게임에서의 중요한 요소로 자리잡을 것이다. 이 논문에서의 연구는 자동차 게임에 한정되어 있다.
참고문헌 (11)
Kook, H.J, Novak, G. S., Jr, 'Representation of models for solving real world physics problems,' Proceedings of the Sixth Conference on Artificial Intelligence for Applications, pp.274-280, 1990
Chen, Z., An, Y., Jia, K., Sun, C, 'Intelligent control of alternative current permanent manage servomotor using neural network', Proceedings of the Fifth International Conference on Electrical Machines and Systems, Vol.2, pp.l8-20, August, 2001
Chen Zhifei, An Yuejun, Jia Kebing, Sun Changzhi, 'Intelligent control of alternative current permanent magnet servomotor using neural network,' Electrical Machines and Systems, 2001. ICEMS 2001. Proceedings of the Fifth International Conference on, Vol.2, pp.l8-20 Aug., 2001, Vol.2, pp.743-746
Munthe-Kaas, H, 'High order Runge-Kutta methods on manifolds,' Journal of Applied, Number Math, pp.1l5-127, 1999
Lawlor, O.S., Kalee, L.V, 'A Voxel-based Parallel Collision Detection Algorithm,' Proceedings of the 6th international conference on Supercomputing, pp.285-293, June, 2002
Gabriel Zachmann, 'Minimal Hierarchical Collision Detection,' Proceedings of the ACM symposium on Virtual reality software and technology, pp.121-128, November, 2002
Qian. Hu, Ming-Rui. Fei, Xia-Ei. Feng, 'Machine Learning and Cybernetics,' Proceedings of International Conference on , Vol.2, pp.1034-1037, Nov., 2002
※ AI-Helper는 부적절한 답변을 할 수 있습니다.