builderscon 2016 講演資料...

人工知能によってプログラムを有機化する

三宅陽一郎

（ゲームAI開発者）

https://www.facebook.com/youichiro.miyake http://www.slideshare.net/youichiromiyake [email protected]

2016.12.3 @

Red Bull Studios Tokyo

（後篇）

目次

• 第一章人工知能の作り方

• 第二章ソフトウェアの構造

• 第三章人工知能へ

• 第四章知識構造

• 第五章ナビゲーションAI

• 第六章メタAI ゲーム全体の思考

• 第七章思考

• 第八章思考の構造

第六章メタAI ゲーム全体の思考

ゲーム全体の知能化

ゲーム・ソフトウェア知能化された

ゲーム・ソフトウェア

かつてゲームでは人工知能は独立した部分ではなく、ゲームシステムの中に含まれていた。

ＡＩの分化

ゲームシステム

メタＡＩ

キャラクターＡＩナビゲーションＡＩ

３つのＡＩシステムは序々に分化して独立して行った。では、今度はナビゲーションＡＩについてさらに詳しく見てみよう。

３つのＡＩの連携の例

フィールド

地形解析・認識 AI

メタAI

エージェントAI

状況を監視し、キーとなる役割を適切なタイミングでエージェントに指示する。

自律的な判断。仲間同士の協調

地形を解析する目的に応じた点を見つけ出す目的地までのパスを計算する

Support

http://dear-croa.d.dooo.jp/download/illust.html http://piposozai.blog76.fc2.com/

レベル

ナビゲーションAI

メタAI

キャラクターAI

エージェントを動的に配置レベル状況を監視キャラクターに指示ゲームの流れを作る

自律的な判断仲間同士の協調時にチームＡＩとなる

メタAI, キャラクターAIの為にレベルの認識のためのデータを準備オブジェクト表現を管理ナビゲーション・データの管理パス検索 / 位置解析

Support

敵キャラクタ－

プレイヤー

頭脳として機能

情報獲得

コントロール

http://dear-croa.d.dooo.jp/download/illust.html http://piposozai.blog76.fc2.com/

メタＡＩ

©2016 SQUARE ENIX CO., LTD. All Rights Reserved.

メタＡＩの歴史

1980 1990

メタＡＩというのは、ゲームそのものに埋め込まれたＡＩ。

1980 1990 2000

古典的メタAI

現代のメタＡＩ

キャラクターＡＩ技術の発展

メタＡＩの歴史

1980 1990 2000

古典的メタAI

現代のメタＡＩ

キャラクターＡＩ技術の発展

その歴史は古く、1980年代にまでさかのぼる。その時代と現代のメタＡＩは、異なる点も多いので、古典的メタＡＩ、現代のメタＡＩと名づけて区別することにしよう。

（例）「ゼビウス」（ナムコ、1983）敵出現テーブル巻き戻し

敵0

敵１

敵2

敵3

敵4

敵5

『あと面白い機能なんですけれど、ゼビウスには非常に簡単なAIが組み込まれています。「プレイヤーがどれくらいの腕か」というのを判断して、出てくる敵が強くなるんです。強いと思った相手には強い敵が出てきて、弱いと思った相手には弱い敵が出てきます。そういったプログラムが組み込まれています。ゲームの難易度というのは「初心者には難しくて、上級者には簡単だ」ということが、ひとつの難易度で(調整を)やっていくと起きてしまうので、その辺を何とか改善したいな、ということでそういったことを始めてみたのですけれど、お陰で割合にあまり上手くない人でも比較的長くプレイできる、うまい人でも最後のほうに行くまで結構ドラマチックに楽しめる、そういった感じになっています。』

－遠藤雅伸（出演）、1987、「糸井重里の電視遊戯大展覧会」『遠藤雅伸ゼビウスセミナー』フジテレビ－

現代のメタAI

より積極的にゲームに干渉する。

メタAI

敵配位敵スパウニングストーリーレベル動的生成

ユーザー

メタＡＩ Left 4 Dead の事例

Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford. http://www.valvesoftware.com/publications.html

今回は Left 4 Dead の事例を見てみる。

http://www.valvesoftware.com/publications.html

適応型動的ペーシング

[基本的発想]

(1) ユーザーがリラックスしている時に、ユーザーの緊張度が一定の敷居を超えるまで敵をぶつけ続ける。

(2) ユーザーの緊張度が一定の緊張度を超えると敵を引き上げる。

(3) リラックスすると敵を出現し始める（(１)へ）。



メタAI(=AI Director)によるユーザーのリラックス度に応じた敵出現度

ユーザーの緊張度

実際の敵出現数

計算によって求められた理想的な敵出現数

Build Up …プレイヤーの緊張度が目標値を超えるまで敵を出現させ続ける。 Sustain Peak … 緊張度のピークを3-5秒維持するために、敵の数を維持する。 Peak Fade … 敵の数を最小限へ減少していく。 Relax … プレイヤーたちが安全な領域へ行くまで、30-45秒間、敵の出現を最小限に維持する。


より具体的なアルゴリズム


メタＡＩがゲームを認識する方法

キャラクター用に作成されたナビゲーションメッシュをメタＡＩがゲームの状況を認識するために使用する。



メタAIが作用を行う領域


メタＡＩが作用（敵の生成・消滅）を行う領域を、 AAS（= Active Area Set）と言う。


メタAIが作用を行う領域 (AAS=Active Area Set)



安全な領域までの道のり(Flow Distance)

メタＡＩはプレイヤー群の経路をトレースし予測する。 - どこへ来るか - どこが背面になるか - どこに向かうか



AAS に対して行うこと。

メタＡＩはプレイヤー群の移動に伴い、その周囲（ＡＡＳ）に敵の群れを生成・消滅させたりする。



プレイヤーからの可視領域

可視領域（プレイヤーから見えている部屋）では、敵のスパウニング（発生）はできない。



敵出現領域

背後前方


前方と背後のプレイヤー群から見えてない部屋に、モンスターを発生させる。


モンスター・アイテム出現頻度

敵の種類、アイテムの種類ごとに出現頻度が違うが、頻度に応じて発生させる。

高頻度

低頻度


Wandereｒs (高頻度)

Mobs(中頻度)

Special Infected (中頻度)

Bosses (低頻度)

Weapon Caches (低頻度)

Scavenge Items (中頻度)


ボス出現アルゴリズム (1) Ｎ体を予想される逃走経路上に配置 (2) ３つの出現イベントパターン（何もいない、を含む）（例） Tank, Witch, 何もいない (3) 同じパターンのくり返しは禁止 (例) Witch, 何もいない、Witch はＯＫ。 Witch, Witch はだめ。

何もいない


Tank Witch Witch Tank Witch Tank


具体的なアルゴリズム

(1) 各エリアに、出現数 N を決定する

(2) 出現数Nは予想される逃走経路の長さと要求される密度によって計算される。

(3) あるエリアがAAS の中に入るとクリーチャーがN体生成される。

(4) そのエリアがAAS の外に出ると生成が中止され、クリーチャーは消滅される。

(5) Ｎはそのエリアがプレイヤーから見えている場合、或いは、プレイヤーがリラックスモードの場合には、強制的に０になる。



まとめ

メタＡＩは、ゲームの流れを動的に作るＡＩで、キャラクターＡＩ、イベントなどには命令だけを出す。これは明確に、メタＡＩと他のモジュールが独立した関係にあるから可能なこと。

まとめ

メタAIを入れ替えるだけで、ゲームコンテンツが入れ替えることができる。メタAIという軽い部分だけを配信することで、コンテンツを入れ替えることが可能になる。

参考文献

(1) Michael Booth, "Replayable Cooperative Game Design: Left 4 Dead," Game Developer's Conference, March 2009.

(2) Michael Booth, "The AI Systems of Left 4 Dead," Artificial Intelligence and Interactive Digital Entertainment Conference at Stanford.


(3) 三宅陽一郎, “メタAI”,「デジタルゲームの技術」

P.186-190, ソフトバンククリエイティブ


世界 / データ群（Undefined）

センサーエフェクター

インフォメーション・フロー

知識表現

思考

エージェント・アーキテクチャ

キャラクターAI

センサー

エフェクター

メタAI

目次







• 第七章思考


第七章思考

意思決定モデル

ステート（状態）ベースAI

ゴール（目標）ベースAI

ルール（規則）ベースAI

ビヘイビア（振る舞い）ベースAI

ユーティリティ（効用）ベース AI

Rule-based AI

State-based AI

Behavior-based AI

Goal-based AI

Utility-based AI

「○○-based AI」とは、○○をAIを構築する基本単位（アトミック）として採用したＡＩということ。

タスク（仕事）ベース AI Task-based AI

リアクティブ

非リアクティブ

意思決定

シミュレーションベース AI Simulation-based AI

実際の静物の意思決定というものは非常に高度で複雑なプロセス。いくつかの簡易モデルが存在する。

ルールベース意思決定

Rule-based decision making






Rule-based AI

State-based AI

Behavior-based AI

Goal-based AI

Utility-based AI



ステートベース意思決定

State-based decision making





Rule-based AI

State-based AI

Behavior-based AI

Goal-based AI

Utility-based AI




ユーティリティベース意思決定

Utility-based decision making





Rule-based AI

State-based AI

Behavior-based AI

Goal-based AI

Utility-based AI




ゴールベース意思決定

Goal-based decision making





Rule-based AI

State-based AI

Behavior-based AI

Goal-based AI

Utility-based AI




ゴールベースAI (Goal-Based AI) ゴール（目標）を単位として構築する方法

ゴール・ファースト＝まずゴールを決める。しかるのちにゴールを達成するための行動をデザインする。

ゴールゴールを達成するために必要なことを考える思考

行動

２つのゴールベース

ゴールベース

連鎖プランニング

階層型ゴールプランニング

ゴールベース意思決定

連鎖プランニング階層型プラン二ング


F.E.A.R.におけるゴール指向プランニング

Genre：Horror FPS

Developer： Monolith Production

Publisher : SIERRA

Hardware: Windows

Year： 2004

Agent Architecture Considerations for Real-Time Planning in Games (AIIDE 2005) http://web.media.mit.edu/~jorkin/AIIDE05_Orkin_Planning.ppt

http://web.media.mit.edu/~jorkin/AIIDE05_Orkin_Planning.ppt

統一事実記述形式

統一事実記述形式

場所

方向

感覚

オブジェクト

情報取得時刻

未公開

場所 (位置、信頼度)

方向（方向、信頼度）

感覚のレベル（感覚の種類、信頼度）

オブジェクト（ハンドル、信頼度）

情報取得時刻

キャラクター事件欲求任務パスオブジェクト

全て以下の形式（フォーマット）で記述する。

ノード

全部で本当は１６個の属性がある



自分の記憶領域に認識した事実を蓄積する

Worlking Memory



プランニングのための知識

シンボル

エージェントの認識する世界をもっとシンプルに表現したい

各エージェントについて（Agent-centric）

上記のシンボルは、対象とするエージェントについての情報。

kSymbol_AtNode どのノードにいるか

kSymbol_TargetIs AimingAtMe

どのノードにいるか

kSymbol_ WeaponArmed 武装しているか

kSymbol_ WeaponLoaded 装填されているか

kSymbol_Target IsSuppressed

威嚇されているか

kSymbol_ UsingObject オブジェクトを使っているか？

kSymbol_ TargetIsDead 死んでいるか

kSymbol_ RidingVehicle

乗り物に乗っているか

kSymbol_AtNodeType どんなタイプのノードにいるか

２０個のシンボルで世界を集約して表現する

Jeff Orkin, “3 States and a Plan: The AI of F.E.A.R.", http://web.media.mit.edu/~jorkin/gdc2006_orkin_jeff_fear.zip

http://web.media.mit.edu/~jorkin/gdc2006_orkin_jeff_fear.zip

シンボル kTargetAtme = ture

この兵士Ｂは自分を狙っている kTargetIsDead = ture この兵士Ａは死んだ

kWeaponIsLoaded = false 私Ｃの武器は装填済みでない

Jeff Orkin, “3 States and a Plan: The AI of F.E.A.R.", http://web.media.mit.edu/~jorkin/gdc2006_orkin_jeff_fear.zip

http://web.media.mit.edu/~jorkin/gdc2006_orkin_jeff_fear.zip

F.E.A.R.のプランニング② シンボルによる連鎖プランニング

ターゲットＡが

死んでいる

ターゲットＡが

死んでいる

攻撃

武器が装填

されている

武器が装填

されている

装填する

武器を

持っている武器を

持っている

武器を拾う

条件なし

プラナー

プランニング

ゴールベース意思決定連鎖プランニング

階層型ゴールプラン二ング


一つのゴールはより小さなゴールから組み立てられる

Goal

Goal Goal Goal

ゴールはより小さなゴールから組み立てられる

Goal

Goal Goal Goal

Goal

Goal

Goal Goal Goal

クロムハウンズにおけるプランニング

階層型ゴール指向型プランニング

戦略、戦術から、局所的戦闘までの幅広い戦いができる必要がある

階層型ゴール指向型プランニングとは？

一つのゴールはより小さなゴールから組み立てられる

Goal

Goal Goal Goal

ゴールはより小さなゴールから組み立てられる

Goal

Goal Goal Goal

Goal

Goal

Goal Goal Goal

映画を見たい

映画館に行く

映画を見る

映画館は新宿だ

映画館まで歩く

新宿駅に行く

晴れなら新宿駅へ歩く

雨なら電車で新宿へ

駅まで歩く

電車に乗る

ゴール指向型プランニングの考え方

クロムハウンズにおけるゴール指向型プランニング

パスに沿って移動する

通信塔を見つける

パスを見つける通信塔へ行く

通信塔を占拠

通信塔を占領する

撃つ

歩く

止まる通信塔の周囲に

１0秒間いる

戦術、振る舞い操作ハウンズ

ロボット身体

クロムハウンズにおける

リアルタイムゴール指向型プランニング


Seek

Shot

Walk

Stop

戦略戦術、振る舞い操作ハウンズ

敵が来た！



パスを見つける

通信塔へ行く

通信塔を占拠

通信塔の周囲に

１0秒間いる

敵と戦う

撃つ

歩く

止まる

ロボット身体

クロムハウンズにおけるゴール指向型プランニング



パスを見つける通信塔へ行く

通信塔を占拠


撃つ

歩く

止まる通信塔の周囲に

１0秒間いる

戦術、振る舞い操作ハウンズ

ロボット身体

ゴール指向型AIの開発工程

歩く撃つ止まる

２点間を移動前進しながら戦う

攻撃するパスをたどる

敵を叩く味方を守る

操作層

振る舞い層

戦術層

戦略層

通信塔占拠

その場で静止

周囲を監視しつつ待機

ゲームテスト（８０回）

問題点をパターンとして抽出

（パターンランゲージによる漸近的成長）

仕様 UML Program

ゴール指向型プログラム構造（入れ子構造）

Class Goal

クリア条件＋

Activate() Process()

Terminate()

Class Goal

クリア条件＋


Terminate()

Class Goal

クリア条件＋


Terminate()

Class Goal

クリア条件＋


Terminate()

Activate … 初期セッティング

Process … アクティブな間の行動Terminate … 終了処理

（関数の内容を全てスクリプトで記述）

プログラマーのための実装工程

インスタンス

インスタンス

最終的なゴール総合図

歩く撃つ止まる

２点間を移動

歩く、一度止まる、歩く

攻撃する

パスをたどる

敵を叩く味方を守る

操作層

振る舞い層

戦術層

戦略層

通信塔占拠

静止する

ある地点へ行く

本拠地防衛

敵本拠地破壊

味方を助ける

巡回する

敵基地偵察

近付く合流する

巡回する

逃げる

後退する

前進する

敵側面へ移動

ビヘイビアベース意思決定

Behavior-based decision making





Rule-based AI

State-based AI

Behavior-based AI

Goal-based AI

Utility-based AI




ビヘイビアベース

ビヘイビア自分自身の身体的活動をターゲットにしたタスク

ビヘイビアベース

ビヘイビアビヘイビア

アニメーションほど詳細ではなく、文脈を形成できるレベルの身体活動を記述する。

フィードバックは、ツリー構造の動作に含まれてしまう。一連の行動を展開することが目的となる。

ビヘイビアベイスAI (Behavior-Based AI)

ビヘイビア（振る舞い）によって知能を記述する方法ビヘイビアは具体的な身体運動の仕方を定義するものでなくてはならない。

ビヘイビア

ビヘイビア何らかの意思決定

ビヘイビア

ビヘイビアベース意思決定ビヘイビアツリー入門

Behavior-based decision making

root

バトル

撤退

休憩

攻撃

隠れる

逃走する

足止めする

立ち止まる

回復する

トラップ

眠る

回復薬を飲む

弓を放つ

剣を振る

森に潜む

穴を掘る

建物に隠れる

攻撃魔法

氷系

風系プライオリティ

プライオリティ

シークエンス

シークエンス

ランダム

プライオリティランダム


ランダム

ビヘイビア（末端ノード）

層

層

選択ルール

選択ルール

root

バトル

撤退

休憩

攻撃

隠れる

逃走する

足止めする

立ち止まる

回復する

トラップ

眠る

回復薬を飲む

弓を放つ

剣を振る

森に潜む

穴を掘る

建物に隠れる

攻撃魔法

氷系



シークエンス

シークエンス

ランダム



ランダム


層

層

選択ルール

選択ルール

この層の中で実行可能なうち、最も優先度の高いノードを実行する

root

バトル

撤退

休憩

攻撃

隠れる

逃走する

足止めする

立ち止まる

回復する

トラップ

眠る

回復薬を飲む

弓を放つ

剣を振る

森に潜む

穴を掘る

建物に隠れる

攻撃魔法

氷系



シークエンス

シークエンス

ランダム



ランダム


層

層

選択ルール

選択ルール

root

バトル

撤退

休憩

攻撃

隠れる

逃走する

足止めする

立ち止まる

回復する

トラップ

眠る

回復薬を飲む

弓を放つ

剣を振る

森に潜む

穴を掘る

建物に隠れる

攻撃魔法

氷系



シークエンス

シークエンス

ランダム



ランダム


層

層

選択ルール

選択ルール

この層の中で実行可能なノードを順番に実行する。

root

バトル

撤退

休憩

攻撃

隠れる

逃走する

足止めする

立ち止まる

回復する

トラップ

眠る

回復薬を飲む

弓を放つ

剣を振る

森に潜む

穴を掘る

建物に隠れる

攻撃魔法

氷系



シークエンス

シークエンス

ランダム



ランダム


層

層

選択ルール

選択ルール

root

バトル

撤退

休憩

攻撃

隠れる

逃走する

足止めする

立ち止まる

回復する

トラップ

眠る

回復薬を飲む

弓を放つ

剣を振る

森に潜む

穴を掘る

建物に隠れる

攻撃魔法

氷系



シークエンス

シークエンス

ランダム



ランダム


層

層

選択ルール

選択ルール

この層の中で実行可能なノードをランダムに一つ実行する。

root

バトル

撤退

休憩

攻撃

隠れる

逃走する

足止めする

立ち止まる

回復する

トラップ

眠る

回復薬を飲む

弓を放つ

剣を振る

森に潜む

穴を掘る

建物に隠れる

攻撃魔法

氷系



シークエンス

シークエンス

ランダム



ランダム


層

層

選択ルール

選択ルール

シミュレーションベース意思決定

Simulation-based decision making





Rule-based AI

State-based AI

Behavior-based AI

Goal-based AI

Utility-based AI




シミュレーション・ベース

• シミュレーションは、ここではエージェントの想像のこと。

• 問題を定式化できない場合、実際に頭の中で動かしてみることを意味する。

• ゲームの場合は、実際にゲームのルール・原理に従って運動させてみる。


※イメージです。

要所、要所のシミュレーション結果を実際の世界の状況と比較して、フィードバックをかける。


ジャンプするシミュレーションを行うことで、成功するジャンプを見出して実行する。

http://piposozai.blog76.fc2.com/

Warfarmeにおける壁面移動

Daniel Brewer, “The Living AI in Warframe’s Procedural Space Ships” (Game AI Conference 2014) ※登録が必要なサイトです http://archives.nucl.ai/recording/the-living-ai-in-warframes-procedural-space-ships/

プレイヤー

AI

プレイヤーが「ジャンプ・壁面走り・ジャンプ」したデータから学習して、AIがそのデータをもとに同じ動きをする。

ジャンプ壁面走りジャンプ


http://dear-croa.d.dooo.jp/download/illust.html

http://archives.nucl.ai/recording/the-living-ai-in-warframes-procedural-space-ships/
















加速・減速など自由な軌道を描けるAIが、複雑な地形を通過するときに、複数の運動シミュレーションを走らすことで、もっともエレガントな軌道を見出す。

Armored Core V における空中移動

岡村信幸, ARMORED CORE Vのパス検索 (CEDEC 2011) https://cedil.cesa.or.jp/cedil_sessions/view/593

START GOAL

https://cedil.cesa.or.jp/cedil_sessions/view/593



START GOAL



START GOAL

動的計画法によるパス検索

タスクベース意思決定

Task-based decision making





Rule-based AI

State-based AI

Behavior-based AI

Goal-based AI

Utility-based AI




「階層型タスクネットワーク」

これから一番有望なアルゴリズム

http://dear-croa.d.dooo.jp/download/illust.html

回復薬を作る方法

• 赤、青、緑を一色づつ集める。

• 緑、赤、緑の順番に集める。

• 青二つと赤一つ。ただし、赤の前に青を集めないといけない。

メソッド

（＝タスクの分解の仕方）

回復薬を作る（タスク）

回復薬を運ぶ（タスク）

回復薬を届ける（タスク）

メソッド（＝タスクの分解の仕方）

袋入れる

ブランチ全色集める

ブランチ赤と青を集める

ブランチ赤と緑を集める

青拾う

赤拾う

緑拾う

袋入れる

緑拾う緑拾う袋入れる

赤拾う青拾う

赤拾う青拾う

順序なしタスク

全順序タスク

局所的順序タスク

全色広場にある広場には赤と緑の宝石がある赤と青の宝石がある

原初タスク


前提条件

メソッド

（＝タスクの分解の仕方）



回復薬を届ける（タスク）

回復薬を運ぶ

• 場所を持ってきて、荷物を載せて、戦場へ運ぶ。

• 荷物に載せるには、宝箱に入れて載せる必要がある。

• 宝箱には札をつけておく必要がある。

メソッド

メソッド

馬車に載せる

馬車を呼ぶ戦場まで行

く荷を載せる

宝箱に札をつける

宝箱に入れる


全順序タスク


馬車を持っている

原初タスク


前提条件

荷を載せる

馬車が近くにある


袋入れる

回復薬を届ける（ドメイン）

ブランチ全色集める

ブランチ赤と青を集める

ブランチ赤と緑を集める

青拾う

赤拾う

緑拾う

袋入れる

緑拾う緑拾う袋入れる

赤拾う青拾う

赤拾う青拾う


全順序タスク


全色広場にある広場には赤と緑の宝石がある赤と青の宝石がある

原初タスク


袋入れる

青拾う

赤拾う青拾う

スタート

馬車を呼ぶ

戦場まで行く

ゴール

馬車に載せる

宝箱に札をつける

宝箱に入れる

Scope : movie

Game AI Conference, Paris, June 2009

Architecture


Scope


Killzone 2 / PS3

• Max 32 players

• Team-based game modes

• Multiple game modes on one map

• Players unlock / mix “badge abilities”

• Offline (1 human player & bots)

• Online (human players & bots)

Scope


Badges

• Scout: Cloak, Spot-and-Mark

• Tactician: Spawn Area, Air Support

• Assault: Boost

• Engineer: Sentry Turret, Repair

• Medic: Heal, Med packs

• Saboteur: Disguise, C4

Killzone 2 AI (マルチプレイヤーモード)

(1) Killzone 2 のAI思考

(2) Killzone 2 のマップ自動解析

On the AI Strategy for KILLZONE 2′s Multiplayer Bots http://aigamedev.com/open/coverage/killzone2/

http://aigamedev.com/open/coverage/killzone2/

Killzone 2 Screen



司令官のAI

部隊長のAI

兵士のＡＩ

兵士のＡＩ

兵士のＡＩ

部隊長のAI

兵士のＡＩ

兵士のＡＩ

兵士のＡＩ

部隊長のAI

兵士のＡＩ

兵士のＡＩ

兵士のＡＩ

防衛、前進など戦術を指示

戦術の成功・失敗を報告（フィードバック）

移動地点を指示

ターゲット指示

指示の再発行要求


「Killzone 2」におけるチームの構造図とコミュニケーション・パス

司令官のAI

部隊長のAI

各メンバ | のＡＩ


各メンバ | のＡ

部隊長のAI




部隊長のAI




防衛、前進など戦術を指示

戦術の成功・失敗を報告（フィードバック）

移動地点を指示

ターゲット指示



Individual AI


各メンバーのエージェント・アーキテクチャ

上からの命令

メッセージ

情報統合

World State

HTN プランナー

計画

タスク実行機

コントローラーインプット

知能内部

感覚刺激

認識

脅威

知能の世界

環境世界

認識の形成

記憶

意思の決定

身体制御

エフェクター・身体

運動の構成

センサー・身体

意思決定モジュール



対象・現象

情報の流れ（インフォメーション・フロー）

影響を与える影響を受ける

各メンバーのエージェント・アーキテクチャ

上からの命令

メッセージ

情報統合

World State

HTN プランナー

計画

タスク実行機

コントローラーインプット

知能内部

感覚刺激

認識

脅威

Squad AI


Search & Destroy: Defending (2)

Paris Game AI Conference, 2009.

Search & Destroy: Defending (3)

Paris Game AI Conference, 2009.

Ⓒ2014 SQUARE ENIX CO., LTD. All Rights Reserved.

部隊長のエージェント・アーキテクチャ

司令官からの命令

各兵士からの報告

情報統合

World State

HTN プランナー

計画

タスク実行機

各メンバーへの命令

知能内部

メモリ領域

実行モジュール

銃で攻撃ロケットで攻撃

銃で攻撃

ロケットで攻撃

敵がヒューマノイド射程距離内

敵はヒューマノイドでも砲台でもない射程距離内

武器を選択して攻撃（タスク）

装填

攻撃

終了

装填

攻撃

終了

… 前進

なし

拠点を防衛するように命令する（タスク）

それまでのメンバーデータを消去

新しくメンバーの状況を収集

命令発行シークエンス起動（これまでの行動を停止せよ）

前進命令を発行

到着したら停止命令

拠点を防衛せよ

かがみながら近づく

治療器具選択

行動する（タスク）

治療プランスタート

治療を周囲に通達

治療する

プラン終了

車

防御

ターゲットを選択

治療器具を使用する

徒歩前進

治療

行動

中止継続開始

治療

器具変更なし器具変更あり

メソッド適用

メソッド適用

メソッド適用

メソッド適用

HTN (Hierarchical Task Network)

Precondition

Task

Precondition

Task



HTN (Hierarchical Task Network) 各AIの思考 On the AI Strategy for KILLZONE 2′s Multiplayer Bots



TaskList

TaskList

分岐リスト

分岐リスト

分岐(Branch)

分岐(Branch)



目次







• 第七章思考


第八章思考の構造

コンポジット構造（ゴール、タスク）

要素要素

要素

要素

要素

要素

要素

コンポジット・パターン（デザインパターン）

連結型アーキテクチャ（ゴール、タスク）

要素要素要素

知識

思考

最小の知能の単位階層型アーキテクチャ

知識思考

知識思考

知識思考

メタ思考

メタ思考アーキテクチャ

思考の構造

• 階層型

• メタ思考型

• コンポジット型

• 連結型アーキテクチャ

思考の構造

• 階層型

• メタ思考型



静的な思考動的に生成される思考

コンポジット構造（ゴール、タスク）

要素要素

要素

要素

要素

要素

要素

コンポジット・パターン（デザインパターン）

動的（リアルタイム）に生成

連結型アーキテクチャ（ゴール、タスク）

要素要素要素


知識

思考

最小の知能の単位階層型アーキテクチャ


知識思考

知識思考

知識思考

メタ思考

メタ思考アーキテクチャ


思考の構造

• 階層型

• メタ思考型



静的な思考動的に生成される思考

スクリプト

Scripted AI から自律型ＡＩへの変化

ゲームデザイナーの頭の中ゲームデザイナーの頭の中

知識思考

Scripted AI 自律型 AI (Autonomous AI)

操り人形（Scripted AI）から、キャラクターが自分で考えて行動する自律型ＡＩ（Autonomous AI）になるためには、

ゲームデザイナーが頭の中で持っている知識と思考をＡＩに埋め込む必要がある。

スクリプト

Scripted AI から自律型ＡＩ、生成型AI

ゲームデザイナーの頭の中

ゲームデザイナーの頭の中

知識思考

Scripted AI 自律型 AI (Autonomous AI)

知識その場で思考生成

生成的AI (Generative AI)


付録１：概念とアーキテクチャ

人工知能が用いる概念

• ゴール

• タスク

• ユーティリティ

• エージェント

• 知識

概念構造

ソフトウェア構造

世界に向かってソフトウェアを開いて行く

世界

プログラムの断片

世界

知能

Abstraction

Time

World

Sensor Effector

World Dynamics

Artificial Intelligence

Object

Object Object

Object

Object

明確に内的対象を外的事物と同じように存在するものとして導入することができる。

Decision-Making

Physical Informat

ion

Abstract Informat

ion

More Abstract Informat

ion

Abstraction

Time

Decision-Making

Decision-Making

Decision-Making

Multi-Layered Blackboard

Abstraction

Abstraction

Reduction

Reduction

Reduction

World

World Dynamics


Object

Object image on the lowest layer (Umwelt)

Object image on the second layer

Object image on the third

layer

Object image on the top

layer

インフォメーション・フローは志向性の流れを作り出している。

統合されたエージェント・アーキテクチャ

Physical Informat

ion

Abstract Informat

ion


ion

Abstraction

Time

Decision-Making

Decision-Making

Decision-Making


Abstraction

Abstraction

Reduction

Reduction

Reduction

World

Sensor Effector

World Dynamics


Decision-Making

Decision-Making

Physical Informat

ion

Abstract Informat

ion


ion

Abstraction

Time

Decision-Making

Decision-Making

Decision-Making


Abstraction

Abstraction

Reduction

Reduction

Reduction

World

World Dynamics


Object

Object image on the lowest layer (Umwelt)

Object image on the second layer

Object image on the third

layer

Decision-Making Object image

on the top layer

付録２：記憶とアーキテクチャ

記憶の海（Working Memory）

ステージからワーキングメモリに記憶（スタック）する。

注意の焦点 t=T

注意の焦点 t=T



注意の焦点 t=T

注意の焦点 t=T

注意の焦点 t=T-1



注意の焦点 t=T


注意の焦点 t=T




対象Aに対する記憶スタック

意識の流れ


C4 アーキテクチャ (MIT メディアラボ Synthetic Creature Group, 2000)

キャラクターAIの内部モデルとしてのブラックボード・アーキテクチャ

特徴： - AIの各機能がモジュール化されている - モジュール同士はブラックボードを経由してコミュニケーションを取る。 - 各モジュールはKS

記憶領域

ブラックボードには記憶だけでなく、知識、身体の情報など、個体の持つあらゆる情報が表現される

ブラックボード・アーキテクチャ＝記憶の場所＋制御アーキテクチャ

ブラックボードは、キャラクター表現そのもの。

古典的機能

エージェントにおける新しい機能

注意の焦点 t=T


注意の焦点 t=T






意識の流れ


注意の焦点 t=T


注意の焦点 t=T





注意の焦点 t=T-N

注意の焦点 t=T…

意識の流れ



注意の焦点 t=T

テンポラリー記憶の圧縮・パッキング

注意の焦点 t=T







意識の流れ


情報の圧縮・パッキング＝対象Aに対する知識


注意の焦点 t=T


注意の焦点 t=T







意識の流れ


対象Aに対する知識



注意の焦点 t=T

ワーキングメモリから短期記憶へさらにスタック。

注意の焦点 t=T







意識の流れ




短期記憶

書き込み


注意の焦点 t=T


注意の焦点 t=T







意識の流れ

スイカに対する記憶スタック

注意の焦点 t=T


注意の焦点 t=T







意識の流れ


スイカに対する知識

注意の焦点 t=T


注意の焦点 t=T







意識の流れ




注意の焦点 t=T


注意の焦点 t=T







意識の流れ




短期記憶

書き込み

注意の焦点 t=T


注意の焦点 t=T







意識の流れ

地形に対する記憶スタック

地形に対する知識

http://www.123rf.com/photo_10039937_foggy-forest-at-the-morning-at-autumn.html


注意の焦点 t=T


注意の焦点 t=T







意識の流れ






注意の焦点 t=T


注意の焦点 t=T







意識の流れ




短期記憶

書き込み



注意の焦点

人間は意識の中に世界がどう現われたかを覚えている。

ゴブリンに対する知識





付録：：記憶の構造

第一節テンポラリーな記憶のスタック

第二節記憶のリコール（呼び出し）

第三節記憶の階層構造

注意の焦点

人間は意識の中に世界がどう現われたかを覚えている。






注意の焦点

記憶のマッチングとリコール




呼び出し＝マッチング

書き込み＝対象の判別 && 知識・経験の想起＝リコール

こいつ出会ったことある！




注意の焦点






書き込み＝対象の判別知識・経験の想起＝リコール

ここ見たことある！




注意の焦点






書き込み＝対象の判別知識・経験の想起＝リコール

これ見たことある！




注意の焦点








注意の焦点

記憶体＝プロセッサー（KS）

モンスターに対する知識



特定の対象に対する知識は専門家（エキスパート）が受け持っているとみなすことができる。




へび

に対する知識

注意の焦点

記憶体＝プロセッサー（KS）



スイカ

に対する知識

リンゴに

対する知識




付録：記憶の構造

第一節テンポラリーな記憶

第二節記憶のリコール

第三節記憶の階層構造

へび

に対する知識

注意の焦点

記憶の呼び出しと書き込みも黒板モデルとみなすことができる。



スイカ

に対する知識

リンゴに

対する知識



短期記憶

注意の焦点

マルチスケールな記憶システム構造

http://www.123rf.com/photo_10039937_foggy-forest-at-the-morning-at-autumn.html http://piposozai.blog76.fc2.com/

長期記憶

短期記憶

注意の焦点



固定記憶

長期記憶

短期記憶

注意の焦点



固定記憶

長期記憶

短期記憶

注意の焦点


スタック


固定記憶

長期記憶

短期記憶

注意の焦点


リコール

スタック


固定記憶

長期記憶

短期記憶

注意の焦点

記憶構造

※時間スケールはそれぞれのスタック・リコールで異なる。 http://www.123rf.com/photo_10039937_foggy-forest-at-the-morning-at-autumn.html http://piposozai.blog76.fc2.com/

記憶のレベル

さまざまな記憶レベルにモンスターに関する記憶が記録されています。

記憶のレベル


builderscon 2016 講演資料...

Software