Künstliche Intelligenz

Transkript

1 Seminar Algorithmen für Computerspiele Künstliche Intelligenz Manuel Bischof Betreuer: Sven Bachthaler 14. Juni 2010 Institut für Visualisierung und Interaktive Systeme Universität Stuttgart

2

3 Inhaltsverzeichnis 1 Einführung Was ist Künstliche Intelligenz? Der Begri an sich Klassizierung der Umgebung Nutzung der KI in unterschiedlichen Genres Rollenspiele Strategiespiele First-Person Shooter Jump 'n' Run Verbesserungsmöglichkeiten Geschichtserzählung Dynamisches Lernen Gefühle Modellierung von KI Entscheidungsbäume Regelbasierte Systeme Neuronale Netze Genetische Algorithmen Quake Anforderungen SOAR-Engine Antizipation Literatur 13

4

5 1 Einführung 1.1 Was ist Künstliche Intelligenz? Der Begri an sich KI ist nicht genau deniert. Schon allein der Begri Intelligenz hat keine klare Denition. Im Allgemeinen versteht man jedoch unter künstlicher Intelligenz, als einem Teilgebiet der Informatik, dass man Lebewesen der virtuellen Welt ein möglichst realitätsnahes Verhalten beizubringen versucht. Es wird versucht, die Welt lebendiger erscheinen zu lassen und meist möglichst realitätsnah. Im Bezug auf Computerspiele soll die KI den Spielern ein besseres Gefühl in der Welt geben, so dass es möglichst nicht auällt, ob sie mit anderen menschlichen Spielern oder eben NPCs zusammenspielen. Dadurch soll der Spieler tiefer in das Spiel eintauchen, ein besseres Erlebnis haben und letztendlich natürlich dafür sorgen, dass das Spiel ankommt und sich gut verkauft. Doch nicht nur Bots und Charaktere nden Verwendung für die KI. Auch unsichtbare Eekte wie eine dynamische Anpassung der Spielschwierigkeit oder der Geschichtsverlauf protieren von Forschungen in diesem Gebiet. Der Turing-Test, entwickelt von Alan Turing, versucht festzustellen, ob eine Maschine diesen Anforderungen gerecht wird. Dabei kommuniziert ein Mensch vorerst über Tastatur und Monitor mit einem Computer, wobei er nicht weiÿ, ob er mit Mensch oder Maschine spricht. Kann der Mensch nach fünf Minuten Unterhaltung nicht sagen, wer von beiden sein Kommunikationspartner war, so gilt der Test als bestanden. Eine Erweiterung stellt der totale Turing-Test dar. Hierbei kann der Mensch die Maschine auch sehen und mit ihm z. B. Gegenstände austauschen. Bisher hat noch keine Maschine auch nur den grundlegenden Test bestanden. Dieser Test ist natürlich spezialisiert auf Sprache. Häug ist uns das jedoch noch gar nicht wichtig. Dennoch ist es schwer zu sagen, ab wann man von KI spricht. So wird man den Raumschien aus Space Invaders noch keine Intelligenz zusprechen, da sie sich nur mit vorgegebenen Mustern bewegen und keine Reaktionen auf die Aktionen des Spielers zeigen. Doch wie sieht es in heutigen Spielen aus? Ab wann zählt eine Maschine oder ein Bot als intelligent? Eine Möglichkeit ist wie in [3] zu sagen, dass eine psychische Motivation, ein innerer Antrieb oder persönliche Ziele zu erkennen sein müssen. Bei einem Sprung ins Wasser fragt man sich nicht, warum sich das Wasser entschieden hat, verdrängt zu werden und Wellen zu bilden.

6 2 Einführung Klassizierung der Umgebung Bevor man sich an die Modellierung der KI macht, sollte man sich erstmal Gedanken darüber machen, wie die Umgebung des künstlichen Agenten aussehen wird. Hier aufgelistet ist eine oft getroene Unterscheidung, wie auch in [4]. Die Welt kann vollständig beobachtbar sein. Dies wäre beispielsweise beim Schach der Fall. Der aktuelle Zustand der Welt ist gegeben durch das Brett und den Figuren, die sich darauf benden. Dies ist komplett überschaubar. Bei First-Person Shootern ist im Gegensatz dazu immer nur ein kleiner Teil der Welt einsehbar. Die Sicht wird durch Wände und Hindernisse blockiert, auch kann man nicht alles hören. Zudem ist der Status anderer Agenten, hier Bots genannt, oder Spieler nicht abfragbar. Die Welt kann deterministisch oder stochastisch sein. Bleiben wir beim Schach, so wäre dies ein Beispiel für eine deterministische Umgebung. Wählt der Agent einen Zug, so kann er direkt vorhersagen, wie der nachfolgende Zustand aussehen wird. Dazu braucht er nur den aktuellen Zustand und seine Aktion. Eine Taxifahrt dagegen ist stochastisch: Man kann nicht voraussagen, wie der Verkehr sein wird, wie andere sich verhalten oder ob nicht plötzlich der Motor ausfällt. Da daher jede Umgebung, in der andere Angenten sind sofort stochastisch wäre, kann man eine Welt strategisch nennen, wenn sie bis auf die Aktionen anderer Agenten deterministisch ist. Statische Umgebungen ändern sich nicht wohingegen dynamische Welten Objekte beinhalten können, die sich von sich aus bewegen. Als Beispiel kann man hier wieder ein unverändlicherliches Schachbrett gegen ein Shooter darstellen, bei dem Kisten zerstört oder verschoben werden können oder sich auch selbst bewegen (Schiefe Ebenen hinabrutschen). Schach ist diskret. Die Figuren kann man nur genau auf die Felder stellen, nicht beliebig dazwischen. Da sind die Möglichkeiten bei Shooter besser: Man kann stetige, also gröÿere oder kleinere, Schritte machen, sich (fast) beliebig drehen und bewegen. (Da der Computer letztendlich auch nur endlich viele Zustände darstellen kann, könnte man sich fragen, ob dort diese Welt nicht diskret wäre mit nur unzähligen möglichen Zuständen. Überträgt man das Beispiel jedoch auf die reelle Welt, wird klar, dass man tatsächlich unendlich viele Zustände hat. Man kann sich ja um jeden beliebigen reellen Winkel drehen. Und bekanntermaÿen sind reelle Zahlen überabzählbar.) Eine weitere Klassikation ist der Unterschied zwischen einer episodischen und einer sequenziellen Umgebung. Zur Erklärung betrachten wir einen Roboter, der auf einem Flieÿband kontrolliert, ob gefertigte Teile in Ordnung sind. Dieser Agent könnte episodisch sein. Bei jedem Teil muss aufs neue entscheiden werden, ob es gut ist. Dabei wirkt sich nicht ein Fehler auf das nächste Teil aus. Hat eine Aktion auch Auswirkungen auf die fernere Zukunft spricht man von sequenziell.

7 1.2 Nutzung der KI in unterschiedlichen Genres 3 Wichtig ist zuletzt auch die Unterscheidung, ob man ein Einzel- oder Multiagentensystem betrachtet. Ist der Agent nicht alleine, so kommen zusätzliche Anforderungen zum Tragen, wie die Ausarbeitung einer Taktik, Koordination und Kommunikation. Wendet man sich der Robotik zu, so kann man auch oft schon einen einzelnen Roboter als Multiagentensystem sehen. Unterteilt in je einen Agenten für Bewegung, Wahrnehmung, Aktionen etc. sind auch hier wieder Kommunikation und Koordination essenziell. 1.2 Nutzung der KI in unterschiedlichen Genres Nahezu alle Spiele haben gemein, dass man den Schwierigkeitsgrad dynamisch an den Spieler anpassen könnte. Erkennt das Computerspiel, dass der Spieler zu oft stirbt oder für manche Teile zu lange braucht, könnte er die Zielgenauigkeit oder das Leben der Bots senken oder des Spielers entsprechend erhöhen. Ist er in einem Strategiespiel von mehreren parallelen Angrien überfordert, könnte der nächste Angri verstärkt von einer Seite erfolgen, dafür weniger parallel. Auch die umgekehrte Möglichkeit ist da: Wird der Spieler kaum getroen oder schlägt alle Angrie mit Leichtigkeit zurück, kann der Computer das nächste mal mit mehr Taktik vorgehen. Eine Alternative ist die Antizipation: Der Computer versucht vorauszuahnen, was der Spieler vorhat um ihm so entgegenwirken zu können oder mit unerwarteten Aktionen zu überraschen. Im Weiteren will ich die Besonderheiten einiger Genres hervorheben Rollenspiele In Rollenspielen, oft abgekürzt mit RPGs (=Role Playing Games), steuert der Spieler einen Helden oder gar eine ganze Gruppe von Helden. Diese Helden haben verschiedene Fähigkeiten und Attribute. Ziel ist es eine Geschichte zu durchleben und Rätsel oder Aufgaben zu lösen und bestehen. Dabei entwickeln sich die Charaktere weiter, lernen mit der Erfahrung hinzu. Wichtig sind auch die sogenannten NSCs, die Nichtspielercharaktere. Bots, die vom Computer gesteuert werden. Standard-Gegner, die sich den Helden entgegenstellen zählen in der Regel nicht dazu. NSCs sind wichtig, um die Geschichte weiterzuerählen und dem Spieler Interaktionen zu bieten. Meistens kann man die Gespräche mit diesen Personen lenken. Teils schlägt durch bestimmte Gesprächsoptionen die Geschichte auch einen unterschiedlichen Weg ein. Die NSCs ändern oft auch ihre persönliche Einstellung den Helden gegenüber, je nach Verlauf des Gesprächs. Hier ist auch schon ein Ansatzpunkt für die KI. Dialoge könnten deutlich freier gestaltet sein, als nur durch eine streng limitierte Anzahl an vorgegebenen Sätzen. Zudem wäre es von Vorteil, wenn NSCs mehr und realistischer Gefühle zeigen könnten durch Gestik, Mimik und Verhalten. Eine weitere Verbesserung besteht darin, die Handlung dynamischer an den Benutzer anzupassen. Stellt der Computer fest, dass der Spieler groÿen Wert auf Geschichte legt, kann

8 4 Einführung er Kämpfe kürzer abhandeln. Auch Verzweigungen müssen nicht immer nur an vordenierten Punkten möglich sein. Bekannte Beispiele für RPGs sind Baldur's Gate und Neverwinter Nights Strategiespiele Egal ob rundenbasiert wie Civilization oder in Echtzeit wie die Command&Conquer-Reihe, in Strategiespielen gilt es zu forschen, Gebäude und Einheiten zu bauen, letztere zu Armeen zusammenzustellen und den Gegner zu überrennen. Die Geschwindigkeit, Taktik und Aggresivität anzupassen, überhaupt Pläne aufzustellen und dann möglichst noch die passende Schwierigkeit für den Spieler zu treen, so dass dieser gefordert wird, jedoch nicht überfordert, ist wieder eine Aufgabe für die KI First-Person Shooter In FPS wird die KI vor allem eingesetzt, um künstliche Spieler, sogenannte Bots, zu steuern. Diese haben die Aufgabe, sich dem Spieler entgegenzustellen oder in Teams zusammenzuspielen. Je nach Modus geht es nur darum möglichst viele andere Spieler und Bots zu töten oder auch komplexere Ziele zu erreichen, wie eine Fahne zu erobern und ins eigene Lager zu bringen. Wie wir noch sehen werden, kann KI hier zum Beispiel dafür eingesetzt werden, um vorauszuahnen, was die Gegner vorhaben und dementsprechend darauf zu reagieren, aber auch schon um überhaupt Pläne aufzustellen, Entscheidungen zu treen und gewisse Taktiken zu verfolgen Jump 'n' Run In Spielen wie Tomb Raider sind die Einsatzmöglichkeiten sehr begrenzt. Hauptaugenmerk sind meist Rätsel und Klettereinlagen. Zwischendurch können auch Gegner kommen, die jedoch bisher meist nicht einen groÿen Eindruck von Intelligenz vermitteln. Hier sind die Anforderungen dann vergleichbar mit First-Person Shootern. Interessanter ist es hier, den Charakter zu animieren, so dass die Bewegungen passen und die Mimik zu der Stimmung und Gefühlslage passt. Es lohnt sich auch, etwas Aufwand in intelligente Kameraführung zu stecken (nicht nur eine starre Kamera hinter der Figur), so dass für den Spieler relevante und interessante Ausschnitte des Gebiets gezeigt werden, damit die Navigation einfach und intuitiv ist.

9 1.3 Verbesserungsmöglichkeiten Verbesserungsmöglichkeiten Derzeit gibt es nach [1] drei Gebiete, an denen verstärkt geforscht wird. Teile von ihnen überschneiden sich Geschichtserzählung Dieser Punkt wird vor allem in RPGs wichtig sein, denn hier wird groÿen Wert auf die Geschichte gelegt. Erste Verbesserungen gegenüber statischen und linearen Geschichten sind heute bereits vorhanden. In diversen Star-Wars Spielen kann man sich für die helle oder dunkle Seite der Macht entscheiden oder einen Mittelweg gehen. Je nach Handlungen des Spielers ändert sich der Verlauf der Geschichte an bestimmten Punkten. Dies wird durch die Hintereinanderreihung von Scripten erreicht. Deutlich spannender und realistischer würde es wirken, wenn die Übergänge natürlicher sind und an jeder Stelle im Spiel vorkommen können. Die NSCs bieten auch viel Potential. Bislang hat jeder vorgegebene Texte und mögliche Antworten des Spielers. Ein NSC kann für den Verlauf des Spiels wichtig sein oder nur für die Stimmung. Stattet man sie jedoch mit mehr künstlicher Intelligenz aus, so ist es möglich, dass sie das Geschehen beobachten, die Geschichte weitererzählen, die sie selbst sehen. Vor allem in MMORPGs wie World of Warcraft auf den RPG-Servern würde dies eine enorme Verbesserung erzielen, da dort bislang die NSCs nur ihre Geschichten erzählen (und jedem Spieler genau die gleiche), die Spieler auÿenrum eine ganz andere, eigene. Gelingt es, dass die NSCs auch diese Geschichten aufgreifen, würde die Welt viel lebendiger wirken. Wichtig dabei wäre dann eben, dass die virtuellen Personen in der Lage sind, neue Informationen zu erlernen Dynamisches Lernen Es gibt verschiedene Arten des Lernens. Bei Oine-Lernmethoden wird das System vor dem Gebrauch trainiert. Bis es zum Einsatz kommt, muss es schon alles nötige gelernt haben. Ändert sich die Umgebung oder sonstige Bezüge, kann es sein, dass der Agent hilos ist. Online-Lernen hat dahingegen den Vorteil, dass sich das System laufend weiterentwickelt und dazulernt. Dafür ist es Anfangs unter Umständen noch etwas unbeholfen, falls man im Extremfall gar kein Oine-Training oder initiales Wissen davor hatte. Ein groÿer Nachteil ist, dass sich die Ergebnisse oft schwer vorhersagen lassen, da man das System nicht genügend testen kann. Hier lauert die Gefahr von Bugs. Oine Training wird beispielsweise bei Spielen wie Black& White oder The Sims angewendet Gefühle Emotionen sind ein wichtiger Bestandteil, wenn man Spieler fesseln will. Können sie sich mit Charakteren identizieren oder zumindest in sie einfühlen und mit ihnen mitebern, so werden sie gebunden. Dabei gilt es nicht nur Humor und vielleicht Spannung zu vermitteln, sondern dies auszuweiten, beispielsweise auf Trauer und Angst. Techniken, mit denen dies bewirkt werden kann sind oft vergleichbar mit Filmen: verschiedene

10 6 Einführung Kamerablickwinkel, Zwischensequenzen, Musik, die zur Atmospäre passt. Einiges davon wird heute schon gut eingesetzt, wenn auch statisch oder mit einfachen Auslösern. Kombiniert man dies mit etwas Intelligenz, kann man besser erahnen, in welcher Stimmung der Spieler ist und dementsprechend die Musik anpassen oder zu erkennen, worauf der Spieler achten oder schauen will und die Kamera so auszurichten.

11 2 Modellierung von KI Für die Modellierung der Künstlichen Intelligenz gibt es viele Methoden, jede mit spezischen Vor- und Nachteilen. Ich will hier nur auf eine kleine Auswahl davon eingehen, damit man eine Vorstellung davon bekommt, wie unterschiedlich sich die Konzepte auswirken. 2.1 Entscheidungsbäume Eine sehr simple und beschränkte Art der KI-Modellierung sind Entscheidungsbäume. Für ein gegebenes Zielprädikat wird ein Baum aufgebaut. Knoten sind dabei Entscheidungen, Kanten die Auswahlmöglichkeiten in Form von Attributen und Blätter schlieÿlich das Ergebnis. Sehen wir uns als Beispiel einen Agenten an, der entscheiden soll, ob es sich lohnt in einem Restaurant zu warten, bis ein Platz frei wird. Als Eingabe sollen Umgebungsbedingungen und eine Auskunft des Obers über die geschätze Wartezeit dienen. Zielprädikat ist Lohnt es sich zu warten?, beantwortet mit ja oder nein. Jetzt kann man z. B. mit Habe ich Hunger? als Wurzel beginnen. Die Kante nein könnte hier direkt zum Blatt nein führen, was dann bedeuten würde, dass man nicht auf einen freien Platz wartet. Unter der anderen Kante folgt dann ein weiterer Baum. In Abbildung 2.1 sieht man ein Beispiel für einen Entscheidungsbaum. Die Wahl der Wurzel ist ein sehr wichtiger Faktor für die Ezienz des Baumes. Würde man Abbildung 2.1: Beispiel für einen Entscheidungsbaum erst nach einer Reihe anderer Fragen zu dem Schluss kommen, dass man nicht warten will,

12 8 Modellierung von KI weil man eh keinen Hunger hat, so wurden viele Fragen umsonst ausgewertet. Verbesserungen lassen sich erzielen, in dem man bestrebt ist, den Baum zu minimieren. 2.2 Regelbasierte Systeme Etwas komplexer aber vielseitiger und besser erweiterbar sind regelbasierte Systeme. Hier kann man den Kontrolluss komplett von dem Wissen trennen. Die Wissensbasis in Form von if-then(-else)-regeln kann daher getrennt implementiert und einfach um weitere Regeln ergänzt werden. Daher eignet sich dieses Verfahren auch deutlich besser, wenn das Wissen während der Laufzeit des Systems erweitert werden soll (Online-Lernen). Die Kontrolleinheit übernimmt die Aufgabe zu testen und zu wählen, welche Regeln angewendet werden. Dabei gibt es zwei grundlegende Unterscheidungen. Forward-Chaining prüft, welche Prämissen (Bedingungen) erfüllt sind und wendet eine oder mehrere dieser Regeln an. Dies nennt man auch faktgetrieben. Backward-Chaining dahingegen schaut sich die Konklusion an und ist daher zielgetrieben. Häug werden Expertensysteme auf diese Weise modelliert. Expertensysteme sind solche, die als Hilfestellung für den Menschen genutzt werden, wie zur Diagnose von Krankheiten. Dabei versucht das System, sich in für den Menschen natürlicher Sprache zu unterhalten und gezielt Fragen zu stellen, um zur gewünschten Diagnose zu kommen. 2.3 Neuronale Netze Die Idee von neuronalen Netzen kommt aus der Biologie. Sie versucht das menschliche Gehirn nachzubilden. Mit rund 100 Mrd. Neuronen und einer Verknüpufungszahl von bis zu ist dies sehr komplex. Für heutige künstliche Neuronale Netze sind diese Zahlen sehr utopisch. Ein künstliches Neuronales Netz ist ein gewichteter und gerichteter Graph. Knoten sind dabei die Neuronen, Kanten die Verknüpfungen (Synapsen). Jedes Neuron hat eine Aktivierungsschwelle. Sobald diese durch Eingangssignale überschritten wird, feuert auch dieses Neuron. Das heiÿt, dass die Ausgänge mit '1' belegt werden und sich das Signal so fortpanzen kann. Neuronen ordet man in Schichten an. Dabei hat ein neuronales Netz eine Schicht mit Eingangsneuronen, die Reize aus der Umgebung bekommen, eine Schicht mit Ausgangsneuronen, die Reize an die Umgebung weitergeben. Dazu können dazwischen beliebig viele sogenannte Hidden-Schichten sein. Trainiert wird das Netz durch Änderung der Gewichte. Hierbei gibt es mehrere Möglichkeiten. Überwachtes Training erfordert zu jedem Eingabereiz eine Ausgabe, die erwartet wird. So ist direkt klar, ob das Netz sich richtig entwickelt und es kann abgeleitet werden, wie es sich verändern sollte. Unüberwachtes Training überlässt das Netz sich selbst. Dabei wird nur trainiert, ohne Feedback. Daneben gibt es noch Verstärkendes Lernen. Dies bedeutet, dass das Netz selbst bewerten muss, wann es gut war und wann nicht. Als Beispiel lässt sich hier ein Taxifahrer-Agent nennen, der anhand des verdienten Trinkgeldes Rückschlüsse auf die Qualität des Fahrstils zieht. Wie hier auch ist bei Spielen oft jedoch das Feedback erst am Ende möglich und bringt somit erst für das nächste Spiel etwas.

13 2.4 Genetische Algorithmen 9 Um zu testen, ob das Training erfolgreich war, kann man zum einen die Ausgangsreize abermals anlegen um zu prüfen, ob die gelernten Ergebnisse wirklich übernommen worden sind. Mit neuen Reizen sieht man, ob das Netz auch fähig ist, gelerntes Wissen auf neue Problemstellungen zu übertragen. Häug werden neuronale Netze beispielsweise eingesetzt um Mustererkennung zu realisieren. 2.4 Genetische Algorithmen Auch genetische Algorithmen haben ihren Ursprung in der Biologie. Es wird eine zufällige Startpopulation gewählt und diese dann durch stochastische Auswahl sowie Bevorzugung von guten Zuständen kombiniert. Zur Verdeutlichung betrachten wir ein Beispiel des n-damen-problems aus [4]. Gegeben sei ein Schachbrett der Gröÿe n. Wir nehmen hier ein normales Schachbrett, also n=8. Gesucht ist eine Aufstellung von 8 Damen auf dem Brett, so dass nach gängigen Schachregeln keine Dame eine andere bedroht. Abbildung 2.2: Kreuzung zweier Zustände beim 8-Damen-Problem Wir geben schon vor, dass in jeder Spalte nur eine Dame stehen kann. Dadurch geht uns keine Lösung verloren und wir haben die Möglichkeiten schon eingeschränkt. Ein weiterer Vorteil ist auch, dass sich so das Brett einfach repräsentieren lässt, in dem man nur noch acht Zahlen braucht, die jeweils angeben, in welcher Zeile eine Dame sind in der entsprechenden Spalte bendet. Für die Erzeugung der Nachfolger gibt es mehrere Varianten. Meist wird mehr als nur eine eingesetzt. Wichtig ist immer die Fitness-Funktion, die angibt, welche Zustände gut und welche schlecht sind. Gute Zustände haben eine höhere Wahrscheinlichkeit Nachfolger zu bilden als schlechte. Eine sinnvolle Fitnessfunktion wäre hier die Anzahl der sich bedrohenden Damen-Paare. Man könnte jetzt das Brett zweier Zustände mit einer senkrechten Linie an der gleichen Stelle trennen, dann den linken Teil des einen und den rechten Teil des anderen Zuständs nehmen um einen neuen, gültigen zu erzeugen. Natürlich sind auch kompliziertere Muster möglich.

14 10 Modellierung von KI Erfolgversprechend vor allem bei schon recht guten Zuständen sind einfache Mutationen. Hierbei wird eine Dame zufällig auf eine andere Zeile gesetzt. Die Population kann so nun fortwährend anwachsen oder man behält immer nur eine gewisse Anzahl. Bei letzterer Alternative werden dann gute Zustände mit höherer Wahrscheinlichkeit überleben. Genetische Algorithmen haben heute noch keine bedeutende Rolle. Sie werden häug verwendet, wenn man versucht komplexe Bewegungen nachzubilden, bei denen es sehr viele Einstellungen gibt, wie beim schlängeln eines schlangenähnlichen Wesens.

15 3 Quake Quake ist ein First-Person Shooter aus dem Jahr 1996 (erster Teil), entwickelt von id Software. Agenten, sogenannte Bots, können dem Spieler als künstliche Gegner dienen. 3.1 Anforderungen Bots sollten sich möglichst verhalten wie menschliche Gegner. Anfangs laufen sie umher, erkunden so die Umgebung und erstellen eine Karte. Gespeichert werden auch Standorte von Powerups wie Leben, Rüstung, Munition und Waen. Schon währenddessen rüstet sich der Bot möglichst gut aus und falls er dem Spieler begegnet, versucht er, diesen auszuschalten. Merkt der Bot jedoch, dass er unterlegen ist, so kann er sich auch entscheiden, wegzulaufen, um sich zuerst einen Ausrüstungsvorteil zu verschaen. 3.2 SOAR-Engine Abbildung 3.1: Die Anbindung der SOAR-Engine an Quake Die grundlegende KI (beschrieben nach [2]) der Quake-Bots ist mit der SOAR-Engine implementiert. Diese kümmert sich darum, Entscheidungen zu treen und auszuführen. Hierbei handelt es sich um ein Regelbasiertes System, das heiÿt, es gibt einen Kontrolluss und eine Wissensbasis. Der Bot ist über eine Netzwerkschnittstelle an das Spiel angebunden, wie man in Abbildung 3.1 sieht. Hierbei übersetzt die Interface-DLL die nähere Umgebung des Bots für den KI und stellt damit die nötigen und möglichen Informationen für die Engine zur Verfügung. Über den Socket werden die Wahrnehmungen bzw. Aktionen ausgetauscht. Auf der anderer Seite sitzt die Engine an sich, mit getrennter Wissensbasis in Form von Regeln. Als Basis-Operatoren stehen einfache Aktionen zur Verfügung, die ein Spieler in der Regel mit einem Knopfdruck erledigen kann, wie laufen, drehen, springen, schieÿen. Abstraktere Operatoren sind zusammengesetzt aus den Basis-Operatoren. Beispiele hierfür sind angreifen, bei dem die Wae je nach Distanzklasse gewählt und mit circle-strang dem Gegner ausgewichen wird oder auch Item holen, wobei der eigene Bedarf analysiert wird und der Weg zu items

16 12 Quake geplant wird. Idealerweise merkt sich der Bot auch noch die Respawnzeiten von Powerups. Daneben gibt es noch interne Aktionen, z. B. sich zu merken, wo man den Gegner das letzte mal gesehen hat und wie gut er ausgerüstet war. Können Operatoren nicht direkt eingesetzt werden, so werden diese zu Zielen, die der Bot verfolgt, bis es erreicht wird oder als nicht mehr relevant angesehen. Hierbei wird der komplexe Operator so lange ersetzt, bis ausführbare Basis-Operatoren auftreten, die dann abgehandelt werden. Abbildung 3.2: Ersetzung eines Zieles Der Prozesszyklus zur Entscheidung, welcher Operator angewendet werden soll, sieht folgendermaÿen aus: Wahrnehmung: Die Engine liest über die Netzwerkschnittstelle ein, was der Bot sieht und hört, aber auch welche Waen und Ausrüstungen er besitzt. Auswertung: In dieser Phase geschieht mehreres. Zum einen wird die Sensorik ausgewertet, dann werden Operatoren, die in Frage kommen vorgeschlagen und ausgewertet. Operatoren, die sich besser eignen als andere werden eher gewählt. Dieser Schritt wird so lange wiederholt, bis keine neuen Operatoren in Frage kommen. Wahl von Operatoren: Nun wird entschieden, welcher Operator angewendet werden soll. Anwendung der Operatoren: Jetzt ndet die Anwendung statt. Ist der Operator komplex, so wird er aufgeteilt in Basis-Operatoren.

17 3.3 Antizipation 13 Output: Erst in diesem Schritt wird die Operatorfolge auch wirklich an Quake übergeben und kann dort ausgeführt werden. 3.3 Antizipation Um dem Bot mehr Intelligenz zu geben als nur Regeln zu befolgen, wurde dem Quakebot die Möglichkeit zur Antizipation des Spielers implementiert. Das bedeutet, dass er vorausahnen kann, was der Spieler vor hat und dementsprechend darauf reagieren kann. Dabei berechnet der Bot die Situation des Gegners mit den vorhandenen Daten. Dann kann er wie gewohnt auf diesem Modell den Prozesszyklus ausführen um festzustellen, was aus dieser Sicht die beste Operation sein sollte. Da es auch einige Sekunden dauern kann, bis diese Repräsentation berechnet ist gilt es abzuwägen, wann und wie oft es sich lohnt, diese zu berechnen. Hierfür wird ein neuer Operator predict-enemy hinzugefügt, der gewählt werden kann. Sinnvoll ist dieser vor allem in komplexen Aktionen mit anderen Spielern, wie ambush, deny-powerups oder hunt. Sollten keine oder nicht genüngend Informationen über den Gegner vorhanden sein ergibt es natürlich keinen Sinn, den Operator zu wählen. Abbildung 3.3: Darstellung der internen Repräsentation des Gegners Optimierungen sind hier selbstverständlich noch möglich. So könnte man bereits berechnete Repräsentationen abspeichern und zu den Regeln der Wissensbasis hinzufügen, damit man sie wiederverwenden kann, sollte eine ähnliche Situation auftreten. Als zweites besteht noch die Option der sogenannten rekursiven Antizipation. Das bedeutet, dass der Bot aus der berechneten internen Repräsentation des Gegners sich selbst antizipiert um herauszunden, was der Gegner vermutlich erwartet, das der Bot selbst tut. Dies ist hilfreich, um so Alternativen zu nden um den Gegner zu überraschen.

18 Literaturverzeichnis [1] Darryl Charles. Enhancing Gameplay: Challenges for Articial Intelligence in Digital Games. [2] John E. Laird. It Knows What You're Going To Do: Adding Anticipation to a Quakebot. [3] Michael Mateas. Expressive AI: Games and Articial Intelligence. [4] Peter Russell, Stuart und Norvig. Künstliche Intelligenz Ein moderner Ansatz. Prentice Hall, second edition, 1990.

19 Erklärung Ich versichere, dass ich die Arbeit ohne fremde Hilfe und ohne Benutzung anderer als der angegebenen Quellen angefertigt habe, und dass die Arbeit in gleicher oder ähnlicher Form noch keiner anderen Prüfungsbehörde vorgelegen hat und von dieser als Teil einer Prüfungsleistung angenommen wurde. Alle Ausführungen, die wörtlich oder sinngemäÿ übernommen wurden, sind als solche gekennzeichnet. Stuttgart, den 14. Juni 2010 (Manuel Bischof)