游戏AI中的机器学习
在过去的游戏时代，我确信简单的开关/案例陈述（从某种意义上说）对于大部分游戏“AI”来说都可以做得很好。 然而，随着游戏变得越来越复杂，特别是在3D飞跃中，需要更复杂的算法。 我的问题是，此时游戏AI中使用的实际机器学习算法（如强化学习）？ 或者，这仍然主要仅限于大学的研究项目（我曾接触过）？
如果不是真正的机器学习算法，那么推动商业游戏AI的前沿是什么？ 它是简单高度复杂的，但是能够覆盖大多数可能性的静态（非ML）算法？ 如果是这样，那么使用哪种实际类型的算法？
我一直对此感到好奇，谢谢！
编辑：思考一下后，我可以进一步澄清一点。 游戏中的代理人如何做出决定？ 如果他们没有实时使用实际的学习算法，那么可能是在开发阶段用来产生模型（静态算法）的学习算法，然后使用该模型在游戏中做出决策？ 或者是某种意义上的手动编码决策的静态算法？
编辑 ：请注意，这个答案已经过去了五十年 - 现在机器学习已经取得了很大进展，游戏中使用的内容很可能也发生了变化。 原始答案如下。
我认为你高估了大多数现代游戏AI的能力; 这很棒，因为这正是现代游戏开发者所期盼的。 他们投入时间让系统看起来更加智能化，比如让AI角色谈论他们将要做什么，或者偶尔遵循执行复杂系列任务的预设脚本。
如果不是真正的机器学习算法，那么驱动商业游戏AI的前沿是什么？ 它是简单高度复杂的，但是能够覆盖大多数可能性的静态（非ML）算法？
实际上通常有很少的可能性。 正如在另一个答案中提到的，通常有一个有限状态机在工作。 例如。 射击游戏中的典型敌人可能处于以下状态之一：闲置，警觉（他们知道附近有麻烦），狩猎（他们正在寻找敌人），攻击（他们可以看到敌人并参与攻击），以及逃跑（他们试图逃离敌人）。 各州之间的转换可以是简单的事件，例如听到的噪音，看到的对手，低于某个阈值的健康值等等。非常微不足道，真的。
通常可以将每个状态的实现分解为少量简单的操作，例如。 移动位置，观察方向，瞄准目标等。这些低水平的活动有充分的记录和广泛使用。 （例如，A *搜索寻路，矢量数学用于转向和定向）。大多数情况下，所有这些构建模块在3D中的工作方式与2D中的相同。
此外，看起来更复杂的AI往往是脚本化的，也就是说，这种行为是用一种简单的编程语言预先编程的，以便在特定的游戏环境中工作。 针对特定情况的脚本可以对环境做出假设（例如，隐藏在隐藏物后面的位置，盟友和敌人的接近程度等），并且可以相应地提供非常具体的目标。 一些预先确定的事件类型（例如，敌人见过，盟军死亡，未知噪音听见）以及在每种情况下写入的非常简单的反应（例如，如果self.health> 75％THEN attackNearestEnemy ELSE fleeToSafety）都可触发更多通用脚本。
...是一种学习算法，可能在开发阶段用于生成模型（静态算法），然后使用该模型在游戏中做出决策？
在模拟车辆（比如赛车游戏）的情况下，这种情况非常普遍 - 您可以将赛道算法作为基于这些点的一系列点和输入来提供，并获得一种学习算法来制定完成最好的时间。 最终你可以通过游戏发货。 但是，这是从少量输入（前方道路，障碍物接近度，当前速度）到少量输出（期望速度，期望转向）的简单映射，这非常适合机器学习。 模拟人类行为的游戏很少会回归到这些简单的函数逼近上，所以我们倾向于依靠手动模拟不同的行为状态。
有时候可能会出现一种混合方法，其中有限状态机转换可能会被训练得更加优化，但这在实践中不太可能出现在很多游戏中，因为对于设计人员来说，实际转换通常是微不足道的。
大量的游戏只使用有限状态机
在网上有一些非常好的资源：
在游戏中玩ML没有任何意义，至少大多数消费者游戏都是如此，因为人工智能很容易变得非常难以击败，因此对玩家来说并不愉快。 游戏AI中的很多努力分为三部分：第一部分是允许计算机作弊。 即人工智能通常知道玩家在哪里，并且事先知道周围环境的最佳路线。 这是必要的，否则AI会一直在摸索死胡同，这并不是很好。 AI工作中的另一个主要努力是让NPC哑得足以让玩家击败。 人工智能很容易被写入来殴打玩家（想想你面对海军陆战队时的半条命），但最难的部分是平衡人工智能的外观和可玩性。 最后一部分是确保AI仅占用有限的资源 - 无论是CPU时间还是内存使用量。
使用ML的另一个缺点是AI的状态需要在会话之间存储，否则AI每次都必须从头开始。 在个人电脑上这不是问题，但是控制台过去常常有非常有限的长期存储空间，无法保存状态信息。
AI'作弊'的一个例子：在运输大亨中，AI公司从未被指控修改地形的高度。 我知道这是因为我多年前将它移植到Mac上。
我做的第一个FPS，AI总是朝着玩家前进，但是方向会使用正态分布的随机样本进行加权，所以大部分时间的方向都是朝向玩家，但是偶尔会有方向偏离 - 它帮助AI走出了死胡同。 这是在有足够的CPU咕噜声进行A *搜索之前的几天。
链接地址: http://www.djcxy.com/p/56365.html上一篇: Machine Learning in Game AI
下一篇: beta in Connect Four