Pengembang game menggunakan AI untuk bermain yang lebih adaptif

Alih-alih membebankan langsung pada pemain di lanskap Mars yang rapuh, karena mereka mungkin melakukan normal, alien zigzag berlindung di balik batu dan singkapan batu, menyesuaikan pendekatan mereka saat pahlawan memilih rute yang tidak terlalu mencolok ke tujuannya.

Pemain mengubah rutenya lagi, dan alien menyesuaikan gerakan mereka dengan sesuai.

Situasi seperti ini menjadi lebih umum dalam gim video sebagai produk dari teknik yang dikenal sebagai situasional, atau taktis, kesadaran. Konsep ini berakar pada taktik militer, tetapi programmer yang bersekolah di Artificial Intelligence (AI) telah mulai memasukkannya ke dalam permainan untuk membuat musuh dan karakter lain tampak lebih pintar.

Kesadaran situasional dapat memainkan peran besar dalam permainan yang terjadi di lingkungan "kotak pasir" yang mendalam, di mana tujuan dan tantangan tidak ditentukan sebelumnya, melainkan ditentukan oleh pemain saat dia bergerak melalui permainan. Namun, kesadaran situasional dapat berguna dalam permainan apa pun yang berusaha memasukkan makhluk cerdas ke dalam tokoh-tokohnya.

Kemajuan dalam kekuatan pemrosesan berarti pendekatan tersebut dapat memungkinkan pengalaman yang lebih realistis dalam game seperti penembak orang pertama dan permainan peran-peran, atau RPG. Pada dasarnya itu memungkinkan karakter untuk beradaptasi lebih cerdas untuk gerakan yang dibuat oleh protagonis.

Secara tradisional, gerakan dan perilaku karakter kurang fleksibel. "Di mana orang sering memulai dengan sistem semacam ini adalah hard-coding beberapa fungsi spesifik untuk jenis penutup tertentu," kata Matthew Jack, pendiri dan konsultan AI di Moon Collider, perusahaan pengembangan AI yang bekerja pada seri "Crysis" pertama -pemain penembak orang.

Tapi pekerjaan Jack, dan rekan-rekannya, difokuskan pada jenis kecerdasan yang lebih organik dan adaptif.

Salah satu teknik pemrograman, misalnya, adalah membangun sistem pengukuran menjadi permainan sehingga jarak antara protagonis dan karakter lain terus dihitung ulang dan dianalisis, memungkinkan karakter untuk membuat berbagai keputusan berdasarkan jarak tersebut. Salah satu aplikasi kunci dari teknik ini adalah "directness."

Directness adalah rasio yang dapat digunakan oleh pengembang untuk mengontrol gerakan karakter musuh terhadap protagonis, misalnya. Perhitungan ini melihat pada jarak antara karakter musuh dan objek perantara, seperti singkapan batuan, dan protagonis. Dengan menggunakan jarak relatif itu, para programmer mengontrol bagaimana karakter musuh bergerak ke arah protagonis, kata Jack.

Pengaturan ketajaman hanya sedikit di atas nol, misalnya, dapat memicu perilaku mengapit oleh sekelompok musuh, karena mereka akan bergerak lebih dekat ke protagonis melalui titik perantara tertentu tetapi tidak cukup dekat untuk menyerang, kata Jack kepada audiens. gamer dan programer di Game Developers Conference (GDC) di San Francisco.

Ketajaman negatif, di sisi lain, dapat digunakan untuk mundur atau melarikan diri, sementara zig-zag bisa menjadi hasil dari pembentukan directness 0,5, yang menghasilkan titik-titik langsung paling tidak bergerak ke arah target.

Teknik AI lain yang didasarkan pada gagasan yang sama seperti keterusterangan adalah metode "jalur emas" untuk mengukur titik-titik lokasi yang berbeda antara gamer dan beberapa tujuan akhir atau tujuan. Musuh mungkin secara tradisional ditulis untuk muncul di sepanjang rute paling langsung ke tujuan pemain, karena itu akan menjadi jalur paling mungkin bagi pemain untuk mengambil. Tetapi dengan teknik jalur emas, musuh bisa muncul secara mendadak jika pemain mengambil rute yang lebih berputar-putar.

Jenis kesadaran taktis yang agak berbeda didiskusikan oleh Mika Vehkala, programmer senior AI di IO Interactive, pengembang penembak orang pertama "Hitman: Absolution." Vehkala menggambarkan pendekatan pemrograman yang menentukan lokasi terbaik untuk musuh dengan melihat pada bagaimana "terlihat" lokasi tertentu, atau node, adalah target mereka.

Ketika pemain bergerak, “itu terus mengevaluasi ulang dan melihat apakah ada node dengan peringkat yang lebih baik,” katanya.

AI jenis ini, bagaimanapun, bekerja paling baik dalam permainan yang dibangun di lingkungan statis yang tidak berubah banyak, kata Vehkala.

Teknik yang dideskripsikan Jack, di sisi lain, didasarkan pada perhitungan dan pengukuran yang dilakukan saat hambatan dan karakter permainan berubah.

"Perjamuan saya adalah membangun bahasa sehingga Anda dapat mengulangi pertanyaan Anda dengan paling cepat dan mendapatkan hasil terbaik," katanya.