본 논문은 게임에서 신경망기반으로 지능캐릭터에게 학습을 통한 상황판단을 하는 이동 인공지능을 제안하였다. 신경망은 게임 규칙과 문제해결 방법을 정의한 알고리즘을 통한 입출력 값을 이용하여 지도 학습된다. 지도 학습된 지능캐릭터는 변화하는 주변 환경을 인지하여, 적절한 행동을 하게 된다. 본 논문에서는 신경망을 이용한 이동 인공지능을 점진적으로 설계하였고, 성능 실험을 위하여 간단한 게임을 구현하였다. 이 게임은 일정한 2차원 공간에 목표, 캐릭터, 장애물이 존재하고 캐릭터는 목표 지점으로 장애물을 회피하며 이동해야한다. 이동 인공지능은 실험마다 정의한 알고리즘을 통해 규칙과 몇 가지 문제해결법을 학습하여 변화하는 환경에서 목표를 완수 할 수 있으며, 정의한 알고리즘과 신경망 구조를 동일하게 설계하였다. 실험 결과, 제안한 이동 인공지능은 주변 상황을 인지하여 이동을 수행하고 목표를 완수할 수 있음을 보였다. 이동 인공지능은 복잡한 구조의 게임도 학습 알고리즘을 정의하여 학습하면 신경망은 변화한 환경에서도 적절한 결과를 보여 줄 수 있을 것이다.
본 논문은 게임에서 신경망기반으로 지능캐릭터에게 학습을 통한 상황판단을 하는 이동 인공지능을 제안하였다. 신경망은 게임 규칙과 문제해결 방법을 정의한 알고리즘을 통한 입출력 값을 이용하여 지도 학습된다. 지도 학습된 지능캐릭터는 변화하는 주변 환경을 인지하여, 적절한 행동을 하게 된다. 본 논문에서는 신경망을 이용한 이동 인공지능을 점진적으로 설계하였고, 성능 실험을 위하여 간단한 게임을 구현하였다. 이 게임은 일정한 2차원 공간에 목표, 캐릭터, 장애물이 존재하고 캐릭터는 목표 지점으로 장애물을 회피하며 이동해야한다. 이동 인공지능은 실험마다 정의한 알고리즘을 통해 규칙과 몇 가지 문제해결법을 학습하여 변화하는 환경에서 목표를 완수 할 수 있으며, 정의한 알고리즘과 신경망 구조를 동일하게 설계하였다. 실험 결과, 제안한 이동 인공지능은 주변 상황을 인지하여 이동을 수행하고 목표를 완수할 수 있음을 보였다. 이동 인공지능은 복잡한 구조의 게임도 학습 알고리즘을 정의하여 학습하면 신경망은 변화한 환경에서도 적절한 결과를 보여 줄 수 있을 것이다.
This paper proposes a mobile AI (Artificial Intelligence) conducting decision-making in the game through education for intelligent character on the basis of Neural Network. Neural Network is learned through the input/output value of the algorithm which defines the game rule and the problem solving m...
This paper proposes a mobile AI (Artificial Intelligence) conducting decision-making in the game through education for intelligent character on the basis of Neural Network. Neural Network is learned through the input/output value of the algorithm which defines the game rule and the problem solving method. The learned character is able to perceive the circumstances and make proper action. In this paper, the mobile AI using Neural Network has been step-by-step designed, and a simple game has been materialized for its functional experiment. In this game, the goal, the character, and obstacles exist on regular 2D space, and the character, evading obstacles, has to move where the goal is. The mobile AI can achieve its goals in changing environment by learning the solution to several problems through the algorithm defined in each experiment. The defined algorithm and Neural Network are designed to make the input/output system the same. As the experimental results, the suggested mobile AI showed that it could perceive the circumstances to conduct action and to complete its mission. If mobile AI learns the defined algorithm even in the game of complex structure, its Neural Network will be able to show proper results even in the changing environment.
This paper proposes a mobile AI (Artificial Intelligence) conducting decision-making in the game through education for intelligent character on the basis of Neural Network. Neural Network is learned through the input/output value of the algorithm which defines the game rule and the problem solving method. The learned character is able to perceive the circumstances and make proper action. In this paper, the mobile AI using Neural Network has been step-by-step designed, and a simple game has been materialized for its functional experiment. In this game, the goal, the character, and obstacles exist on regular 2D space, and the character, evading obstacles, has to move where the goal is. The mobile AI can achieve its goals in changing environment by learning the solution to several problems through the algorithm defined in each experiment. The defined algorithm and Neural Network are designed to make the input/output system the same. As the experimental results, the suggested mobile AI showed that it could perceive the circumstances to conduct action and to complete its mission. If mobile AI learns the defined algorithm even in the game of complex structure, its Neural Network will be able to show proper results even in the changing environment.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
가능성을 확인하였다. 그리하여 본 절에서는 이전절 설계에서 이동방향에 영향을 주는 요소인 움직이는 장애물을 추가한 환경에서 목표수행이 가능한 이동 인공지능을 설계하고자 한다.
가능성을 확인하였다. 그리하여 본 절에서는 이전절 설계에서 이동방향에 영향을 주는 요소인 움직이는 장애물을 추가한 환경에서 목표수행이 가능한 이동 인공지능을 설계하고자 한다. 이 실험은 지능 캐릭터를 중심으로 일정한 범위 환경정보를 획득할 것이다.
지능 캐릭터가 신경망기반으로 현재위치에서 목표지점까지 연속적으로 이동흐]여 목표지점까지 도달하는 이동 인공지능을 설계하고자 한다. 초기 신경망은 적절한 이동 방향 출력을 할 수 없으므로 임의로 이루어진 사용자의 이동행적 정보를 일정 횟수만큼 학습한 뒤 회상을 통해 지능 캐릭터가 연속적으로 이동하는 이동 인공지능의 기초적인 설계이다.
가설 설정
2) 장애물은 2중 장벽형태로 구성되며 2 클럭마다 수직 방향으로만 이동한다.
3) 목표지점은 2 클럭마다 수직 방향 이동한다. (1 클럭 - 캐릭터 1회 이동)
게임종료이다. 게임을 간단히 하기 위해서 행동하는데 소요되는 시간을 1초로 가정하고 제한 시간을 두어 잘못된 이동으로 인한 무한한 이동을 제어한다 즉 제한시간이 20초라면 20회의 이동이 가능하다. 그림 5는 구현한 실험 모델 화면이다.
기본 이동 인공지능 설계를 실험하기 위하여 시작지점과 목표지점, 지능 캐릭터만 존재하는 환경을 가정하여 실험모델을 구현하였다. 게임은 캐릭터가 임의의 시작지점에서부터 임의의 목표지점까지 이동해야 하며, 그 결과에 따라 목표 완수 여부를 가린다.
제안 방법
이 실험은 지능 캐릭터를 중심으로 일정한 범위 환경정보를 획득할 것이다. 또한 장애물로 이동 가능 경로가 막힐 경우 우회 방향 출력이 가능하도록 "이동 궤적 영향 맵”을만들어 범위정보로 획득 가능하도록 한다. 이 절에서 설계한 움직이는 장애물 이동 인공지능은 그림 3과 같고 신경망의 구조는 그림 4에 표현하였다.
또한 동일한 환경에서 수행한 임의의 사용자 이동행적정보를 학습한다.
본 논문에서 “임의의 행적 정보를 학습한 신경망기반의 이동 인공지능을 연구하여 연속적으로 변화하는 환경에서 목표를 수행하는 지능 캐릭터의구조를 제안하였고 주변상태, 목표정보를 정의된 규칙으로 인코딩하여 신경망에 입력하고 이동 방향을줄력하여 목표완수를 위한 연속적인 이동을 수행하였다. 이는 게임에 규칙과 목표를 학습을 통해 신경망은 이해하고, 여러 상황을 정의하지 않아도 변화하는 환경에서 규칙을 지키고 목표를 수행할 수 있음을 확인하였다’ 제안된 모델을 통한 인공지능은게임에서 사용할 여러가지 기능 중 이동을 처리할 수 있고 많은 자원과신속한 처리가 필요한 게임에서 자원 활용성도 높았다.
본 절의 실험은 신경망기반의 이동 인공지능 구현가능성을 확인하기 위해 목표 완수율을 학습 횟수별로 분류할 것이다. 목표 실험을 위한 고정하는조건의 내용은 다음과 같다
신경망 학습 자료는 사■용자가 5회 목표 완수를 위한 이동행적을 저장하였으며 모든 조건에 공통으로 적용되어 학습한다.
또한 네트워크 산업발달로 온라인발전을 이루었으며 컴퓨터 등 하드웨어 발전과 맥락게임이라는 새로운 분야를 탄생시켰으며 최근에는 체감형 게임과 에듀테인먼트 게임 등 다른 산업과 융합을 통해 큰 부가가치를 창출하며 현재 침체된 IT산업을 활성화 시킬 수 있는 분야로 각광받고 있다七 실제 현실에서도 인간의 습성과 성향, 행동 양식 등은 각기가 다 상이하고 복잡한 특정 상황에서 행동 결정에 영향을 주는 요소는 무한히 변화하고 존재한다 이를 게임에서 무한한 환경을 각각 구성 하거나 어떤 특정 요소를 명확히 정의하기란 무리가 있고 어떠한 문제에 대해서 여러 개의 해를 가질 수 있다. 이와 같이 복잡성과 모호성, 다양성을 충족시키고자 신경망 기법을 사용하였고 실제 사용자가 게임을 진행할 때 행동 결정에 영향을 주는 요소만으로 학습되지 않은 여러 상황에서 행동을 결정하는 지능캐릭터의 이동 인공지능 모델을 제시하고, 구현 방법을 설명하여 본다.
이전 절 실험모델을 기반으로 움직이는 장애물과 “이동 궤적 영향맵”기능을 추가하고 18x5크기로 2 차원 공간을 확장하여 구현하였다. 게임은 한 캐릭터가 임의의 시작지점에서 임의의 목표지점까지 이동하는데 캐릭터 주변에 위치한 장애물을 피하며 이동해야 한다.
표 1에 기술하였다. 제안 연구에서는 최적에 결과를 보인 학습 횟수 1(XX)회에 지능 캐릭터를 적용하였다.
대상 데이터
본 연구의 인공지능 설계는 게임 개발 시 인공지능에 사용될 자원을 적게 활용하며 모든 상황에 대해 정의하지 않아도 목표를 완수하는 알고리즘으로성능비교를 위해 현재 환경에서 적용할 수 있는 A* 알고리즘을 대상으로 하였다. 이 알고리즘은 시작지점에서 목표지점까지의 경로를 찾는 그래프 탐색알고리즘이다.
장애물 수 : 총 36개 (장벽형태로 6개씩 구성) 이 실험으로 지능 캐릭터의 주변 장애물과 이동궤적을 인식하여 장애물을 피하며 경로가 막힌 지점에서도 목표지점에 도달할 수 있는지를 실험하였고, 목표 완수율은 그림 9에 나타내었으며 평균 처리 시간과 평균 학습시간을 그림 10에, 또한 지능 캐릭터가 이동한 횟수와 목표 완수까지 시스템 자원을 활용한 총 처리 누적시간을 그림 11, 12에 표현하였다.
성능/효과
1) 지능 캐릭터의 현재 가로축을 중심으로 반경 * 35 범위에 대한 정보만 획득할 수 있고, 반경을 넘는 범위에 정보는 획득할 수 없다
A* 알고리즘과 비교한 결과 1회 평균 처리 시간은 제안한 신경망기반의 모델이 약 0.03초이고, 기존 모델은 0.73초가 소요 되었다 이동 횟수는 기존연구가 최단 거리를 찾아 적은 이동 횟수로 목표지점으로 도달 하였다. 하지만 목표 성공률은 비슷하였다.
하지만 목표 성공률은 비슷하였다. 기존연구보다 제안한 알고리즘의 자원 활용능력은 약 240% 가량 CPU 활용시간을 줄였으며, 오히려 최단 거리만 찾지 않기 때문에 게임에 적합한 모습을 보였다.
비례하지 않았다. 또한 이동을 결정하기 위하여시스템이 산술하는 평균 처리 시간은 평균 0.03초정도로 빠른 처리 속도를 보여 주었다.
목표 완수율은 대체적으로 99%정도로 100회 학습 횟수부터 높았으며, 평균 학습 수행시간은 1OOOOO회 구간에서만 약간 차이를 보였지만 대체적으로 빠른 학습 수행시간을 보여주었다. 위 결과로신경망기반으로 지능 캐릭터가 연속적인 이동을 할수 있음을 확인하였다.
신경망을 구성하는 노드의 수가 증가할수록 학습에 필요한 시간은 증가하였고 학습 횟수는 성공률과 비례하지 않았다. 또한 이동을 결정하기 위하여시스템이 산술하는 평균 처리 시간은 평균 0.
실험결과를 보면 학습 횟수 1000회 이하 구간의 목표 완수율은 평균 90%이상으로 높았지만, 학습 횟수 1OOOO회 이상 구간에서는 목표 완수율이 높지 않았다. 학습 횟수에 따라 1회 이동 방향 결정 평균 처리시간은 Q033초 정도로 매우 짧았고 노드 수가 이전 절 실험에 비해 증가하면서 평균학습시간도 증가하여 오랜 시간동안 학습을 하였다.
빠른 학습 수행시간을 보여주었다. 위 결과로신경망기반으로 지능 캐릭터가 연속적인 이동을 할수 있음을 확인하였다.
이는 게임에 규칙과 목표를 학습을 통해 신경망은 이해하고, 여러 상황을 정의하지 않아도 변화하는 환경에서 규칙을 지키고 목표를 수행할 수 있음을 확인하였다’ 제안된 모델을 통한 인공지능은게임에서 사용할 여러가지 기능 중 이동을 처리할 수 있고 많은 자원과신속한 처리가 필요한 게임에서 자원 활용성도 높았다.
학습 횟수에 따라 1회 이동 방향 결정 평균 처리시간은 Q033초 정도로 매우 짧았고 노드 수가 이전 절 실험에 비해 증가하면서 평균학습시간도 증가하여 오랜 시간동안 학습을 하였다. 전체적으로 목표 완수율은 높았으나 목표 완수를실패한 실험 중 추가적으로 시간이 주어지면 목표완수를 하였다. 또한 이동 횟수를 보면 학습 횟수가증가할수록 이동 수가 증가하는 것을 보면 학습이진행될수록 우회방향을 선택하는 케이스가 증가하였지만 그 중 과도하게 우회하는 상황도 발생하여 일부분은 목표 완수를 하지 못하였다.
않았다. 학습 횟수에 따라 1회 이동 방향 결정 평균 처리시간은 Q033초 정도로 매우 짧았고 노드 수가 이전 절 실험에 비해 증가하면서 평균학습시간도 증가하여 오랜 시간동안 학습을 하였다. 전체적으로 목표 완수율은 높았으나 목표 완수를실패한 실험 중 추가적으로 시간이 주어지면 목표완수를 하였다.
후속연구
2절은 기본 이동 인공지능 설계로 특정한 2차원 지도에서 시작지점과 목표지점만 존재하는 환경이며 캐릭터의 주변 정보와 목표지점과 위치 차이정보를 이용하여 목표를 수행하기 위해 지능 캐릭터가 연속적으로 이동 할 수 있는지 가능성을 확인해 볼 것이다. 2.3절은 2.2절에 설계를 토대로 수직 이동하는 장애물을 추가하여 캐릭터의 이동방향에 제한을 주는 환경에서도목표를 수행할 수 있는 움직이는 장애물 이동 인공지능을 설계하고 주변 환경과 이동행적, 목표지점을인지하여 행동 할 수 있도록 연구할 것이다
본 절에 실험도 동일한 이동 인공지능 설계와 신경망의 학습 횟수별로 변화하는 주변 상황 속 에서지능 캐릭터가 적절히 이동하여 목표를 수행할 수있는지, 목표 완수율과 게임에 적합한지를 판단하기위해 한 클럭(1회 이동)당 평균 이동방향 처리 시간을 확인할 것이다. 다음은 실험에서 가정할 고정 조건의 내용이고 그림 8은 “이동 궤적 영향맵”기능을추가한 신경망 학습과 이용과정이다.
참고문헌 (7)
나종민 (2004), "이차원 대전 액션 게임을 위한 신경망 기반의 지능 캐릭터 구현", 석사학위논문, 국민대학교.
조병헌, 정성훈, 성영락, 오하영, "대전 게임에서 상대방 캐릭터의 행동 패턴을 학습하여 대응하는 신경망 지능 캐릭터", 전자공학회논문지 제 41권 제 6호, 2005.
장수형, 조성배, "전략 시뮬레이션 게임을 위한 계층적 영향 지도기반 진화신경망", 한국정보과학회 학술발표논문집 제 35권 제 2호, 2008.
신용우, "게임데모 화면을 위한 지능형 게임캐릭터의 구현", 한국인터넷정보학회 학술발표대회 논문집 제 8권 제 1호, 2007.
이만재 (2006), "그룹형 게임을 위한 인공지능 기술 개발", 한국전자통신연구원.
조병헌 (2005), "지능형 게임 캐릭터를 위한 학습 및 적응 방법에 관한 연구", 박사학위논문, 국민대학교.
최남진 (2006), "온라인 게임 환경에서 NPC 공격 패턴의 학습에 관한 연구", 석사학위논문, 한세대학교.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.