A evoluc ao das t ecnicas de Intelig encia Articial
Bruno Duarte Correa
Thiago Dias Pastor Department of Computer and Digital Systems Engineering, Escola Polit ecnica da Universidade de S ao Paulo, Brazil Abstract Since the dawn of the digital games there is a desire to replicate situations that make us somehow part of a context and closer to reality. The importance of articial intelligence is at the conver- gence of this longing in simulating increasingly challenging reali- ties. The techniques of articial intelligence for games in general are part of a trend that argues that the role of IA is to simulate the behavior near human and not like other environments eg opti- mization objectives, seek to achieve levels of decision making and speed of reasoning very above an ordinary human being. Arti- cial intelligence in games is beginning to maximize the fun em- ulating a smart player just right, neither too smart nor too dumb demonstrating weaknesses purposeful. The purpose of this article is to demonstrate some techniques used in some classic and current games showing their uses and problems. Keywords:: Authors Contact: {bruno.duartec,thiagodiaspastor}@gmail.com 1 Introduc ao Desde os prim ordios dos jogos digitais existe a vontade de replicar situac oes que nos facam de certa forma fazer parte de um con- texto.Quanto mais pr oximo da realidade melhor e tal experi encia. A import ancia da intelig encia articial est a na converg encia desse an- seio em simular realidades cada vez mais desaadoras. As t ecnicas para jogos em geral fazem parte de uma vertente que defende o papel da IA como o de simular um comportamento pr oximo do humano, n ao como em outros ambientes com objetivos por exem- plo de otimizac ao buscam atingir nveis de decis ao e velocidade de raciocnio muito acima de um ser humano comum. A intelig encia articial em jogos tem por princpio maximizar a divers ao em- ulando um jogador inteligentes na medida certa, demonstrando fraquezas propositais. A proposta desse artigo e demonstrar al- gumas t ecnicas cl assicas e algumas utilizadas nos jogos atuais mostrando os seus usos e problemas com o intuito de desmisticar a IA de alguns jogos e, como em um PostMortem, estimular o uso de tais t ecnicas. 2 Hist orico No princpio, a intelig encia articial nos jogos tinha o papel de al- imentar m aquinas caca nquel com o objetivo de manter o jogador por horas e horas entretido e gastando dinheiro. Jogos como Pong e Pac-Man utilizavam listas pr e determinadas de ac oes e algumas poucas tomadas de decis ao aleat orias na tentativa de tornar os jo- gos um pouco mais interessantes. Com o tempo, jogos comecaram a utilizar t ecnicas um pouco mais avancadas, mas ainda assim in- cipientes. Entretanto na d ecada de 80 e 90 houve uma grande re- viravolta com jogos preocupando-se com o papel da intelig encia articial em ttulos como Age of Empires II e Warcraft II. Em 1998 a Valve revoluciona com HalfLife e um incrvel avanco nos jogos em primeira pessoa. Em 2000 jogos como The Sims, totalmente focados na experi encia do jogador com a intelig encia articial em jogos que aprendiam com os jogadores, tamb em contribuiram para a evoluc ao do mercado. A grande realidade e que a intelig encia articial comecou a tomar corpo nos jogos quando as empresas comecaram a lev a-la a s erio como realmente uma area de desen- volvimento que deve entrar no processo e n ao encarada como um adicional no jogo que em geral poderia ser desenvolvido no ultimo quarto de tempo do projeto, o que acabava por gerar comportamen- tos previsveis e jogos nem t ao desaadores quanto poderiam ser. A vis ao atual da intelig encia articial e a de que ela seja totalmente direcionada a contribuir com o gamedesign de tal forma que fa- cilite as modicac oes de acordo com a concepc ao do jogo, podendo traduzir sentimentos e sensac oes de forma a tornar a imers ao dos jogos muito maior, e n ao mais encarar as t ecnicas de intelig encia articial como uma ferramenta para simplemente melhorar a ex- peri encia do usu ario. 3 Motivac ao A evoluc ao das t ecnicas utilizadas em jogos eletr onicos e evidente nos ultimos anos, tornando a experi encia muito mais imersiva e trazendo jogos cada vez melhores.
E de suma import ancia conhecer
o estado da arte atual para aplicar tais recursos. 4 T ecnicas b asicas A classicac ao quanto ` a t ecnicas cl assicas e t ecnicas atuais aqui empregada foi feita pensando na utilizac ao das mesmas e n ao por quest oes temporais como as mais antigas ou mais recentes. 4.1 Agentes Agentes s ao entidades capazes de perceber o ambiente atrav es de sensores e modic a-lo atrav es de atuadores. O nvel de percepc ao e o raio de atuac ao dos mesmos determina diretamente a qualidade da nossa abstrac ao do agente. A maneira como o conhecimento de um novo acontecimento no mundo e transmitido entre outros agentes pode determinar uma reac ao justa ou n ao por parte dos agentes que n ao participaram de fato do evento. Um exemplo cl assico desse problema e demonstrada em um jogo de tiro, quando o personagem principal e avistado por um inimigo e imediatamente todos os out- ros sabem sobre a sua localizac ao sem um pr evio aviso. 4.1.1 Percepc ao Como explicitado no t opico anterior, a modelagem da percepc ao que o agentes faz do cen ario dita em muito a qualidade da in- telig encia articial. Uma abordagem e colocar sensores represen- tando os cinco sentidos. Os mais comuns em ordem de usabilidade s ao vis ao e audic ao, mas podemos ter representac oes de olfato ou tomadas de sensac ao de temperatura dando uma maior relev ancia para as informac oes de cena, auxiliando na decis ao dos agentes. Outra abordagem colocando em evid encia a percepc ao de cena como um todo e n ao a percepc ao micro de um s o agente s ao os blackboards, que tem por objetivo compartilhar informac oes de acontecimentos em uma base comum de tal forma que todos os agente tenham conhecimento. Essa abordagem e a mais utilizada, por em e preciso tomar cuidado para n ao tornar injusta a reac ao dos agentes. SBC - Proceedings of SBGames 2012 Tutoriais XI SBGames Brasi
lia DF Brazil, November 2nd - 4th, 2012 42
Figure 1: S atira da percepc ao de um agente 4.2 Maquinas de estado O controle de eventos ou comportamentos e totalmente ligado ao contexto do jogo. Sendo assim, separar em momentos bem denidos facilita em muito a segregac ao de eventos, uma melhor depurac ao de problemas e implementac ao de novos comportamen- tos. Figure 2: Maquina de estados de um agente M aquinas de estado s ao uteis em todos os tipos de jogos por facil- itarem a organizac ao de informac ao em momentos e servir como controle de tomada de decis ao. 4.3 Navegac ao Os algoritmos de busca de caminho s ao a implantac ao de in- telig encia articial mais utilizadas em jogos eletr onicos, tendo soluc oes das mais rudimentares ` as mais avancadas e em ess encia podem ser divididos em: busca cega: e a busca em que o agente n ao tem conheci- mento do cen ario tendo apenas como indicador do caminho a seguir os sensores e uma func ao objetivo que dita o qu ao bom e tomar o pr oximo passo busca informada: o agente de alguma forma tem informac ao do ambiente em que se encontra, podendo formular uma soluc ao, conectando o ponto de origem ao ponto de destino de forma mais acertiva, em geral s ao soluc oes mais elegantes, nos dando a impress ao de um movimento mais uido. Deve- mos entretanto nos preocupar em dosar o conhecimento dos personagens para n ao acabarmos com a naturalidade de uma busca por caminho que um ser humano comum precisa fazer para ir de um ponto A a um ponto B. Os algoritmos de navegac ao, por serem um grande objeto de estudo da rob otica, s ao uma area muito desenvolvida e geralmente subdi- vidida em um nvel mais alto de abstrac ao em busca de caminho (pathnding) e fuga de obst aculos (obstacle avoidance). Nos jogos atuais essa diferenca foi desaparecendo gradativamente, visto que raramente encontramos situac oes em que no meio de nosso cam- inho n ao existam outros agentes ou mesmo obst aculos m oveis. 4.3.1 A star
E uma busca do tipo informada, ou seja, o agente tem conhecimento
do cen ario em que se encontra. Tem como algoritmo geral a Busca pela Melhor Escolha (best-rst-search). De posse de uma arvore de possibilidades do pr oximo passo a tomar, ou pr oximo n o a escolher. A grande diferenca do A star para as outras implementac oes de best-rst-search e que al em de levar em conta o melhor pr oximo n o tamb em leva em considerac ao a dist ancia j a percorrida na equac ao, n ao somente o custo da expans ao do n o atual. 4.3.2 WayPoints Uma abordagem um pouco mais renada para a busca de caminho e o uso de WayPoints [ai blog 2008], muito famosos em jogos como Counter Strike. Figure 3: WayPoints em Halaa Assim como as arvores de possibilidades nas busca informadas, os WayPoints s ao utilizados como modelo de representac ao do cen ario, por em de forma mais visual e intuitiva. Os WayPoints s ao n os bases sob os quais s ao interpoladas as posic oes intermedi arias. Como ob- servado nessa imagem, em alguns casos e necess ario um n umero muito grande de n os e caso esses n ao forem bem posicionados po- dem causar zig-zags na movimentac ao dos personagens. Para am- bientes mais complexos n ao e difcil notar que essa e uma fonte de erro muito grande.
E possvel notar tamb em que mesmo com um n umero bem grande de pontos, ainda assim existem areas em que a qualidade da soluc ao est a totalmente ligada ` a maneira como interpolamos as informac oes, visto que elas de fato n ao existem o que pode ocasionar no cl assico problema do personagem an- dando rente ` a paredes ou estruturas. A utilizac ao dessa t ecnica n ao prev e qualquer informac ao fora do grafo, o que diculta a re- tomada do caminho no advento de um obst aculo m ovel ou mesmo a mudanca do cen ario por exemplo com a gerac ao de um buraco durante uma batalha. Os WayPoints ainda s ao muito utilizados em jogos eletr onicos e muitas vezes se mostram sucientes para re- solver o problema da navegac ao, mas em situac oes um pouco mais complexas e querendo representar a movimentac ao de forma mais uida ela se torna invi avel. 4.4 Algoritmos Gen eticos Algoritmos gen eticos (AG) s ao em ess encia ferramentas de busca local com um toque elevado de aleatoriedade, em geral utilizado para procurar soluc oes fugindo do problema dos mnimos locais, SBC - Proceedings of SBGames 2012 Tutoriais XI SBGames Brasi
lia DF Brazil, November 2nd - 4th, 2012 43
atingindo resultados inesperados, o que para o universo dos jogos eletr onicos se torna muito interessante. Assim como o processo de evoluc ao humana, os AG passam por etapas como: Heranca: durante o processo de gerac ao da pr oxima gerac ao alguns genes s ao herdados do pai ou da m ae, portanto de forma aleat oria e selecionada a origem de cada um. Mutac ao: alguns genes ap os o processo de heranca formando o descendente can onico s ao modicados para aumentar o fa- tor aleat orio da pr oxima gerac ao. Selec ao: segundo uma func ao objetivo que dita o qu ao bom uma soluc ao e, alguns descendentes s ao eliminados ou sele- cionados Cruzamento: assim como no processo de mutac ao alguns genes foram modicados, na etapa de cruzamento de cromos- somos uma fatia do mesmo e trocada com outro cromossomo Um grande desao de se obter AGs usuais para o universo de jogos eletr onicos e o fato que esse processo assim como o processo de evoluc ao natural demorar para convergir para uma soluc ao otima, nesse caso devemos com uma func ao objetivo bem calibrada atin- gir uma soluc ao boa. A decis ao de como utilizar AG na soluc ao do problema em geral tamb em esbarra na denic ao do cromos- somo. Uma boa soluc ao e totalmente dependente de uma boa mod- elagem do seu cromossomo. Em geral AGs s ao bem empregadas para denir comportamentos de personagens obtendo a partir de um dicion ario de possibilidades uma enorme variedade de person- agens unicos e inusitados, sendo utilizado portanto massivamente em jogos de estrat egia. 4.5 Redes Neurais As redes neurais, como citado em [Darryl Charles1 ], assim como os algoritmos gen eticos, tentam imitar um comportamento da na- tureza, nesse caso busca emular o funcionamento do nosso c erebro que como j a sabemos transmite e armazena informac oes atrav es de neur onios por meio de suas conex oes e sinapses. A proposta das redes neurais e formar a partir de uma base de dados conhecida e um processo de treinamento uma simulac ao de aprendizado, modi- cando conex oes entre neur onios e seus pesos de import ancia. As- sim como nos algoritmos gen eticos a modelagem dos neur onios e diretamente ligada ` a qualidade da soluc ao e ` a velocidade de apren- dizado. A id eia de criar um jogo que aprenda com o jogador ou mesmo trein a-lo na fase de balanceamento sempre empolgou os de- senvolvedores entretanto raramente e feito de maneira aceit avel. O aprendizado e basicamente dividido em: Supervisionado: fornecemos para a rede neural dados de en- trada e a resposta desejada, sendo assim o sinal de entrada e propagado por toda a rede e caso atinja uma soluc ao, tal com- portamento e reforcado, do contr ario as conex oes e pesos s ao refeitas de forma a aderir a soluc ao. N ao Supervisionado: tenta a partir de uma base de dados ini- cial representar a estrutura estatsticas dos dados de entrada, sem saber na verdade a soluc ao, tenta a partir dos dados inter- pretar o comportamento esperado. Reforco: e o comportamento que mais se assemelha ` a maneira como aprendemos sozinhos, por tentativas e erro avaliando se estamos mais pr oximos de atingir o resultado es- perado. Por exemplo como aprendemos a andar, a dirigir ou a lutar. Figure 4: Aprendizado por reforco O grande problema da rede neural mal desenvolvida e o apren- dizado n ao convergir para a soluc ao esperada podendo, no extremo, por exemplo com um aprendizado n ao supervisionado ap os varias entradas erradas, treinar a rede para responder de forma inesperada. As redes neurais podem ser empregadas em dois momentos Balanceamento: de posse de uma massa de dados de testes feitos por testers calibramos a rede para responder de acordo com um comportamento previamente conhecido Durante o jogo: com o uso de sensores e atuadores a rede interpreta durante o jogo os comportamento e balanceia con- stantemente os pesos e conex oes. Essa abordagem se n ao bem dosada pode gerar partidas muito difceis e desestimular o jo- gador, al em de ser mais complexa a formulac ao do algoritmo de aprendizado. Jogos como Black and White usam massi- vamente o aprendizado por reforco durante o jogo, retirando feedbacks dos jogadores na tentativa de compreender os seus desejos. Figure 5: Cena de Black and White Jogos sociais como The Sims tamb em utiliza aprendizado por reforco em tempo real para compreender o modo como o jo- gador gostaria que o seu avatar se comporte. SBC - Proceedings of SBGames 2012 Tutoriais XI SBGames Brasi
lia DF Brazil, November 2nd - 4th, 2012 44
5 T ecnicas atuais 5.1 Behavior Tree
E uma maquina de estados nitos hier arquicos disposta na forma
de uma arvore. De forma mais explcita e um grafo direto aci- clico e cada n o pode ter v arias conex oes permitindo o reuso de sub behavior trees como citado em [Pilosu ]. As behavior trees vieram para substituir a intangvel soluc ao de construir um grafo como uma m aquina de estados com transic oes e ac oes denidas por uma abordagem mais simples com uma passagem por uma arvore de comportamentos hierarquicamente aninhados, al em de permitir a modicac ao em tempo real de maneira bastante intuitiva. Figure 6:
Arvore de comportamento Inicialmente o agente deve ser modelado como uma tabela de car- actersticas e ags que ser ao modicados e consultadas durante cada ciclo de passada pela arvore, formando a base de conheci- mento do agente. Tal tabela deve ser feita com o mnimo possvel de informac oes para facilitar a depurac ao. A cada ciclo, rodamos a base de conhecimento de cada agente na arvore fazendo testes condicionais com o objetivo de atingir uma folha da arvore e exe- cutar uma ac ao. As ac oes usualmente s ao pedacos de c odigo que ser ao executados caso a folha seja atingida na passagem da arvore executando uma busca em largura. Uma caracterstica da behavior tree e a f acil adic ao de novos comportamentos mesmo em tempo real simplesmente anexando uma folha a algum n o. Cada n o e com- posto basicamente por uma condic ao, uma lista de lhos e uma ac ao podendo a lista e a ac ao serem nulas. Podemos adicionar t aticas de grupos por exemplo simplesmente adicionando ao n o uma quanti- dade m axima de participantes al em da sua condic ao. Atualmente utilizado em jogos como Halo 2,Halo 3,Crysis,Left 4 Dead e v arios outros ttulos. 5.2 Navegac ao Os jogos atuais tem abordagens com resultados mais uidos do que os apresentados na sec ao anterior, conferindo ao movimento mais naturalidade e possibilitando uma melhor manipulac ao do mundo, facilitando a criac ao e modicac ao. 5.2.1 Steering Behavior Steering Behaviors como citado em [Reynolds ] e um t opico bas- tante grande e n ao restrito a navegac ao. Diversos efeitos in- teressantes como Flocking podem ser obtidos com o uso desta t ecnica. Neste paper nos restringimos a Steering Behaviors apli- cado a navegac ao, em especial aos behaviors : AvoidObstacle, Seek, StayOnPath e AvoidNeighbors. Existem diversas maneiras de enx- ergar os Steering Behaviors, foi escolhida a abordagem baseada em campos el etricos pela sua f acil compreens ao. Cada objeto no mundo virtual cria uma campo atrator ou repulsor. (Conceito bas- tante semelhante aos campos el etricos). Se um agente estiver sob o raio de ac ao de um destes campos, uma forca propor- cional ao valor dele ir a aparecer no agente. A intensidade e o decaimento destes campos s ao par ametros de difcil medic ao cujos valores v em da experi encia do designer e da experimentac ao Figure 7: Campo sobre um agente O projeto de um sistema de navegac ao seguindo Steering Behaviors e completamente diferente dos sistemas cl assicos usando PathFind- ing. N ao existe fase de pr e-processamento para gerac ao de Way- Points al em da diferenca na sem antica das vari aveis que neste caso est ao sempre relacionadas coma fsica. Oprimeiro passo de umsis- tema de Steering Behaviors e denir um agente(o agente de Steer- ing cont em alguns atributos a mais do que um agente de PathFind- ing) que normalmente e modelado como um veculo (entidade que possui uma acelerac ao, um torque e uma velocidade m aximas, al em de um vetor direc ao que aponta para a sua frente e um sistema aux- iliar que ir a converter a resultante que o agente est a submetido em vari aveis fsicas como acelerac ao). Este agente ir a possuir alguns comportamentos chamados na t ecnica de Behaviors. Um compor- tamento descreve como o agente ir a enxergar os campos do mundo virtual (atrator ou repulsor). A seguir os comportamentos usados pelo sistema de navegac ao ser ao descritos: AvoidObstacle:comportamento bastante simples que consiste em enxergar os campos dos obst aculos est aticos como repul- sores que decaem com a dist ancia. Seek: comportamento que consiste em enxergar o Destino como um atrator, ele ser a um campo uniforme e n ao decair a com a dist ancia. O Par ametro de entrada e a posic ao do des- tino AvoidNeighbors: comportamento bastante complexo (sua explicac ao detalhada esta fora do escopo do artigo) que con- siste em evitar colis oes com outros agentes. O m etodo us- ado e baseado em previs ao futura de posic ao (supor que os agentes manter ao a mesma acelerac ao e velocidade, e prever sua posic ao em um tempo futuro pr oximo, vericar se existe alguma colis ao em potencial e se houver enxergar a posic ao da colis ao como campo repulsor Figure 8: Comportamento AvoidNeighbors StayOnPath: comportamento que mant em o agente atrado a um percurso. Fazendo uma analogia, seria como se o agente SBC - Proceedings of SBGames 2012 Tutoriais XI SBGames Brasi
lia DF Brazil, November 2nd - 4th, 2012 45
estivesse dentro de um tubo com atrac ao el etrica alta sendo assim o agente sempre tenderia a voltar para a sua envolt oria. Existem muito outros comportamentos para o Steering Behavior. A grande vantagem de se utilizar essa abordagem e obtermos com- portamentos mais din amicos e podermos adicionar novos compor- tamentos a qualquer momento visto que com a abordagem de cam- pos el etricos cada comportamento n ao passa de um vetor a mais so- mado ao movimento do agente. Autilizac ao isolada entretanto pode causar problemas muito s erios como por exemplo o personagem car preso em quinas ou devido ao mal calibramento dos campos um objeto n ao conseguir chegar ao seu objetivo. Uma forma de cor- rigir tal problema e com uma abordagemhbrida com A star criando previamente um caminho entre origem e destino e com um compor- tamento StayOnPath garantir que o caminho tracado teria os pontos bons do A star, a garantia de converg encia, e do Steering Behavior, movimentac ao uida e com adic ao de comportamentos. 5.2.2 Navigation Mesh Os Navigation Mesh como citado em [ai blog 2008] s ao representac oes do mundo assim como os WayPoints citados na sec ao anterior, entretanto ao inv es de representar o modelo como uma lista de pontos, utiliza um modelo que demonstra os locais onde os agentes podem se locomover. Os meshes podem ser ger- ados em modelodores 3D em geral no mesmo momento que o de- signer est a desenvolvendo o modelo do cen ario j a tem a possibili- dade de desenvolver o terreno de locomoc ao.Como os meshes s ao representac oes de posic oes livres para andar enquanto n ao houver movimentac ao ou modicac ao do cen ario os testes de colis ao po- dem ser reduzidos consideravelmente pois garantimos que nenhum NPC vai tentar atravessar alguma parede ou colidir com algum ob- jeto. Com o uso dos WayPoints tinhamos regi oes que eram inter- poladas, com o uso dos Navigation Mesh temos uma densidade de informac ao bem maior com uma quantidade de dados armazenado muito menor como mostra na gura Figure 9: Navigation Mesh em Halaa Como temos uma densidade de informac ao bem maior podemos ter uma interpolac ao entre pontos muito mais suave, e reac oes para desviar de obst aculos moveis que n ao tinham sido previstos no ad- vento da criac ao da cena por exemplo. Ao inv es de representar o mapa como um grafo de pontos conectados utilizamos como um grafo de polgonos convexos. Navigation Mesh s ao muito utilizados ultimamente por exemplo em jogos como: Halo 2,Halo 3,First En- counter Assault Recon (F.E.A.R.),Counter-Strike: Source,Metroid Prime,Metroid Prime 2: Echoes,Metroid Prime 3: Corruption, Jak and Daxter: The Precursor Legacy,Jak II,Jak 3,Uncharted: Drakes Fortune,Scarface: The World is Yours e muitos outros 5.3 Planning GOAP (Goal-Oriented Action Plan- ning) GOAP como citado em [Orkin ] e [Orkin 2006] e uma t ecnica para tomadas de decis oes que produz uma sequ encia de ac oes (plano) para atingir objetivos. O sistema e composto por: Goal:
E qualquer condic ao que o agente deseja satisfazer Action: e um passo at omico no Plan que faz o personagem fazer algo Plan:uma lista de Actions
E um processo que n ao elimina as m aquinas de estado mas sim-
plicam em muito a sua utilizac ao al em de tornar din amica a sua criac ao, sendo composto por um estado inicial, uma meta ( Goal ) e ac oes at omicas para concluir assemelhando bastante com a id eia de uma maquina de estados, entretanto ao contr ario desta as conex oes podem ser v arias, obtendo uma grande gama de possibilidades o que aumenta em muito a diversidade das soluc oes, impedindo que o jogador aprenda como o jogo se comporta e burle a intelig encia articial. Essa estrutura din amica possibilita tanto soluc oes ines- peradas quanto uma f acil adic ao de novos comportamentos. Figure 10: Processo de formac ao de soluc ao A criac ao dos planos e feita por uma busca em um grafo de ac oes em geral utilizando A star, considerando os n os como os estados e as arestas como ac oes. As vantagens sobre a soluc ao cl assica de tomada de decis ao das maquinas de estado e que a princpio n ao e necess ario determinar previamente todas as conex oes que levam at e as metas sendo que a unica coisa que temos que es- pecicar s ao pr e-condic oes e efeitos para cada ac ao. Devido ` a exibilidade e a facilidade de depurac ao e criac ao dos planos esta t ecnica, apesar de considerada nova, est a tomando forca frente aos novos jogos utilizada em jogos como F.E.A.R.(X360/PS3/PC), Condemned:Criminal Origins (X360/PC),S.T.A.L.K.E.R.:Shadow of Chernobyl (PC), Mushroom Men: The Spore Wars(Wii), Ghost- busters(Wii),Silent Hill:Homecoming ( X360/PS3), Fallout 3 ( X360/PS3/PC), Empire:Total War (PC), F.E.A.R. 2: Project Ori- gin (X360/PS3/PC), Demigod(PC), Just Cause 2 (PC/X360,PS3), Transformers: War for Cybertron (PC/X360/PS3), Trapped Dead (PC), Deus Ex: Human Revolution (PC/X360/PS3) 6 Tend encias Aevoluc ao da intelig encia articial temde estar sempre junto coma evoluc ao da qualidade gr aca dos jogos, do contr ario todo o esforco em computac ao gr aca ser a em v ao, obtendo jogos frustrantes. A simulac ao de eventos ou comportamentos tem de ser cada vez mais verossmil. Por isso existem desenvolvimentos de ferramentas de teste e calibrac ao dos algoritmos de forma mais intuitiva para que o designer possa modicar os dados sem a ajuda de um progra- mador. Com a migrac ao de parte do processamento da intelig encia articial para as placas de vdeo o poder computacional empregado crescer a bastante sendo possvel por exemplo o desenvolvimento de simulac ao de multid ao mais realistas e cut scenes interativas elim- inando os cinematics pr e renderizados. Uma forte tend encia e au- mentar o poder das IAs online podendo evoluir o aprendizado de redes neurais a partir de informac oes dos jogadores . SBC - Proceedings of SBGames 2012 Tutoriais XI SBGames Brasi
lia DF Brazil, November 2nd - 4th, 2012 46
7 IA na GPU Devido ao crescente papel da intelig encia articial nos jogos eletr onicos o percentual ocupado de cada ciclo de atualizac ao comecou a tornar-se signicativo, inuenciando no tempo de renderizac ao, simulac ao fsica ou gameplay.Como n ao podemos re- duzir a qualidade das simulac oes fsicas ou diminuir a qualidade vi- sual do jogo, a unica soluc ao era utilizar o tempo ocioso da placa de video enquanto n ao estivesse renderizando para fazer c alculos para IA.
E fato que ainda s ao poucas as implementac oes que se utilizam de tal benefcio, mas a tend encia e a de cada vez mais migrar para a GPU, visto que a mesma possui poder de processamento muito superior ao da CPU para c alculos vetoriais ou repetitivos. References AI BLOG, 2008. Why waypoints arent for pathnding, 7. DARRYL CHARLES1, S. M. The past, present and future of arti- cial neural networks in digital games. ORKIN, J. Applying goal-oriented action planning to games. ORKIN, J. 2006. Three states and a plan: The a.i. of f.e.a.r. GDC. PILOSU, R. Coordinating agents with behaviour trees. REYNOLDS, C. W. Steering behaviors for autonomous characters. SBC - Proceedings of SBGames 2012 Tutoriais XI SBGames Brasi