게임에서 인공 지능은 주로 NPC(Non Player Character)와 적의 행동 패턴을 결정하거나 길 찾기에 사용된다. 이러한 인공 지능을 구현하는 경우에 FSM(Finite State Machine)과 플로킹(Flocking) 방법이 사용된다. FSM 방법에서는 상태 개수에 따라 NPC의 행동 개수에도 제한을 받는다. 상태 개수가 너무 적은 경우 플레이어들이 쉽게 NPC의 행동 패턴을 알 수 있으며 너무 많은 경우에는 구현이 복잡하게 된다. Flocking 방법에서는 리더의 결정에 따라 NPC들의 행동이 결정되기 때문에 NPC들의 이동 패턴이나 공격 방향을 쉽게 플레이어들이 알 수 있다. 본 논문에서는 이 문제를 개선하기 위하여 동물의 세력 투쟁 행동(공격, 위협, 의례적인 보여줌, 기피, 복종)들을 NPC에 적용하는 것을 제안하고 이를 Unity3D 엔진을 이용하여 구현한다. 이 논문은 실제감 있는 NPC 인공 지능 제작에 도움을 줄 수 있다.
게임에서 인공 지능은 주로 NPC(Non Player Character)와 적의 행동 패턴을 결정하거나 길 찾기에 사용된다. 이러한 인공 지능을 구현하는 경우에 FSM(Finite State Machine)과 플로킹(Flocking) 방법이 사용된다. FSM 방법에서는 상태 개수에 따라 NPC의 행동 개수에도 제한을 받는다. 상태 개수가 너무 적은 경우 플레이어들이 쉽게 NPC의 행동 패턴을 알 수 있으며 너무 많은 경우에는 구현이 복잡하게 된다. Flocking 방법에서는 리더의 결정에 따라 NPC들의 행동이 결정되기 때문에 NPC들의 이동 패턴이나 공격 방향을 쉽게 플레이어들이 알 수 있다. 본 논문에서는 이 문제를 개선하기 위하여 동물의 세력 투쟁 행동(공격, 위협, 의례적인 보여줌, 기피, 복종)들을 NPC에 적용하는 것을 제안하고 이를 Unity3D 엔진을 이용하여 구현한다. 이 논문은 실제감 있는 NPC 인공 지능 제작에 도움을 줄 수 있다.
Artificial intelligence in the game is mainly used to determine patterns of behavior of NPC (Non Player Character) and the enemy, path finding. These artificial intelligence is implemented by FSM (Finite State Machine) or Flocking method. The number of NPC behavior in FSM method is limited by the nu...
Artificial intelligence in the game is mainly used to determine patterns of behavior of NPC (Non Player Character) and the enemy, path finding. These artificial intelligence is implemented by FSM (Finite State Machine) or Flocking method. The number of NPC behavior in FSM method is limited by the number of FSM states. If the number of states is too small, then NPC player can know the behavior patterns easily. On the other hand, too many implementation cases make it complicated. The NPC behaviors in Flocking method are determined by the leader's decision. Therefore, players can know easily direction of movement patterns or attack pattern of NPCs. To overcome these problem, this paper proposes agonistic behaviors(attacks, threats, showing courtesy, avoidance, submission)in animals to apply for the NPC, and implements agonistic behaviors using Unity3D engine. This paper can help developing a real sense of the NPC artificial intelligence.
Artificial intelligence in the game is mainly used to determine patterns of behavior of NPC (Non Player Character) and the enemy, path finding. These artificial intelligence is implemented by FSM (Finite State Machine) or Flocking method. The number of NPC behavior in FSM method is limited by the number of FSM states. If the number of states is too small, then NPC player can know the behavior patterns easily. On the other hand, too many implementation cases make it complicated. The NPC behaviors in Flocking method are determined by the leader's decision. Therefore, players can know easily direction of movement patterns or attack pattern of NPCs. To overcome these problem, this paper proposes agonistic behaviors(attacks, threats, showing courtesy, avoidance, submission)in animals to apply for the NPC, and implements agonistic behaviors using Unity3D engine. This paper can help developing a real sense of the NPC artificial intelligence.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문은 NPC의 행동에 인공 지능을 부여하기 위하여 동물의 세력 투쟁 행동(Agonistic Behavior)들을 게임 NPC에 적용하기 위한 연구이다. 동물의 세력 투쟁 행동은 신체적인 피해를 감소시키거나 상대방에게 신체적인 피해를 주는 행동을 말한다[9].
본 연구에서는 게임의 재미를 증가시키기 위하여 동물의 세력 투쟁 행동을 이용한 NPC의 인공 지능을 제안하고 이를 구현하였다. 동물의 세력 투쟁 행동에는 공격, 위협, 기피, 의례적인 보여줌, 복종들이 있었으며 이 각 행동들을 NPC 행동으로 제안하고 Unity3D 엔진을 이용하여 구현하였다.
제안 방법
본 연구에서는 게임의 재미를 증가시키기 위하여 동물의 세력 투쟁 행동을 이용한 NPC의 인공 지능을 제안하고 이를 구현하였다. 동물의 세력 투쟁 행동에는 공격, 위협, 기피, 의례적인 보여줌, 복종들이 있었으며 이 각 행동들을 NPC 행동으로 제안하고 Unity3D 엔진을 이용하여 구현하였다. 구현 결과, 기존 게임에 비해 게임의 난이도 상승과 플레이어에게 몰입감을 제공할 것이라고 판단된다.
13,14]이 있다. 둘째 연구된 세력 투쟁 행동들을 NPC에 적용하는 것을 제안하고, 셋째 Unity3D 엔진을 이용하여 구현한다.
본 장은 동물들의 세력 투쟁 행동을 게임 NPC에 적용하는 것을 기술한다. 즉, 동물들의 세력 투쟁 행동 5가지, 즉 공격, 회피, 의례적인 보여줌, 위협, 복종을 기술하며 이를 NPC에 적용하는 방법을 기술한다.
대상 데이터
본 절에서는 3장에서 기술된 동물의 세력 투쟁 행동들을 ‘3rd Person Shooter’ 게임의 NPC에 적용함을 보여준다. NPC 리더는 NPC중 1개를 임의로 선정하였다.
실험에 사용된 게임은 ‘3rd Person Shooter’[19]으로 Unity 3D store에서 기본적으로 제공되는 게임을 사용한다.
성능/효과
동물의 세력 투쟁 행동에는 공격, 위협, 기피, 의례적인 보여줌, 복종들이 있었으며 이 각 행동들을 NPC 행동으로 제안하고 Unity3D 엔진을 이용하여 구현하였다. 구현 결과, 기존 게임에 비해 게임의 난이도 상승과 플레이어에게 몰입감을 제공할 것이라고 판단된다. 그러나, 현재 이 인공 지능에는 NPC 리더에 대한 선정 방법과 NPC 구성원 수 등을 고려하지 않았다.
후속연구
추후에는 이 사항들을 고려하여 제안된 인공 지능을 확장할 것이다. 그리고 구현된 결과를 바탕으로 실제 상용화 된 게임에 적용하여 인공 지능 반영 전과 반영 후의 게임 몰입에 관한 것을 비교할 예정이다.
첫째, 세력 투쟁 행동이 무엇인지를 알아보기 위해 인터넷과 학술 논문 사이트에서 동물 행동에 관한 자료를 검색한다. 검색 결과 동물의 경우 위협(threaten)[9-10,12], 공격(aggression)[9,11,12], 복종(submission)[9,11,12], 기피(avoidance)[10,21], 의례적인 보여줌(ritual display)[12.
추후에는 이 사항들을 고려하여 제안된 인공 지능을 확장할 것이다. 그리고 구현된 결과를 바탕으로 실제 상용화 된 게임에 적용하여 인공 지능 반영 전과 반영 후의 게임 몰입에 관한 것을 비교할 예정이다.
질의응답
핵심어
질문
논문에서 추출한 답변
게임에서 인공 지능 구현시 Flocking 방법의 특징은 무엇인가?
상태 개수가 너무 적은 경우 플레이어들이 쉽게 NPC의 행동 패턴을 알 수 있으며 너무 많은 경우에는 구현이 복잡하게 된다. Flocking 방법에서는 리더의 결정에 따라 NPC들의 행동이 결정되기 때문에 NPC들의 이동 패턴이나 공격 방향을 쉽게 플레이어들이 알 수 있다. 본 논문에서는 이 문제를 개선하기 위하여 동물의 세력 투쟁 행동(공격, 위협, 의례적인 보여줌, 기피, 복종)들을 NPC에 적용하는 것을 제안하고 이를 Unity3D 엔진을 이용하여 구현한다.
게임에서 인공 지능은 주로 무엇에 사용하는가?
게임에서 인공 지능은 주로 NPC(Non Player Character)와 적의 행동 패턴을 결정하거나 길 찾기에 사용된다. 이러한 인공 지능을 구현하는 경우에 FSM(Finite State Machine)과 플로킹(Flocking) 방법이 사용된다.
인공 지능 구현시 사용하는 방법인 FSM방법의 제한점은 무엇인가?
이러한 인공 지능을 구현하는 경우에 FSM(Finite State Machine)과 플로킹(Flocking) 방법이 사용된다. FSM 방법에서는 상태 개수에 따라 NPC의 행동 개수에도 제한을 받는다. 상태 개수가 너무 적은 경우 플레이어들이 쉽게 NPC의 행동 패턴을 알 수 있으며 너무 많은 경우에는 구현이 복잡하게 된다.
참고문헌 (20)
KOOCA, Republic of Korea Game White Paper, 2013.
C. Langton, "Studying Artificial Life with Cellular Automata", Proceedings of the Fifth Annual International Conference, Physica D, Vol.22, Issues 1-3, pp.120-149, 1986.
Manjae Lee, "Artificial Intelligence in Game", Korea Information Processing Society, Vol.9, No.3, pp.69-76, 2002.5
N.D Cho, B.G Sung, K.T Kim, "Artificial life simulation game characters through the implementation of the strategy", Spring Conference of KISSE, Vol.27, No.1, pp.241-243, 2000.
David B. Fogel, "Using Evolutionary Programming to Create Neural Networks That are Capable of Playing Tic-Tac-Toe", Int'l Joint Conf. Neural Networks, New York, pp.875-880, 1993.
Marc Ponsen, IMPROVING ADAPTIVE GAME AI WITH EVOLUTIONARY LEARNING, a thesis submitted in fulfillment of the requirements for the degree of Master of Science, Delft, 2004.
Ross Graham, Hugh McCabe and Stephen Sheridan, "Pathfinding in Computer Games", ITB J., Vol. 9, pp.223-230, 2004.
B.H, CHO. C.J, Park, "Research trend in Game AI", Trend analysis of electronic communication, Vol.23, No.4, 2008.8.
McGlone JJ, "Agonistic behavior in food animals: review of research and techniques", Journal of Animal Science, 62(4), pp.1130-1139, 1986.
Myoun-Jae Lee, "A Study on Game Production Education through Recent Trend Analysis of 3D Game Engine", Journal of the Korea Convergence Society, Vol.4, No.1, pp.7-12, 2013.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.