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

lia DF Brazil, November 2nd - 4th, 2012 47