Як AI найчастіше реалізується в популярних іграх?

Я не гамедев, я просто цікавий кодер неігор. Цікаво, як AI працює в популярних сучасних іграх, скажімо, FPS? Чи ґрунтується він на жорстко закодованих правилах? Наскільки це має спільного з іншими видами AI (на кшталт того, що забезпечує автономні машини тощо)? Як розробники забезпечують, щоб AI поводився природним шляхом і в нього весело грати?

Речі Я згадував різні похідні MinMax, але не зміг відповісти, як AI має справу з безперервним, мінливим світом, за які дії / стани AI винагороджується і як він визначає свій шанс на успіх різних дій. Я також бачив Machine Learning, згаданий тут і там, але, здається, він не використовується в жодній серйозній грі?

Існує безліч методів. Я відповім за FPSes, оскільки кожен жанр має свій набір проблем, а підходи AI сильно залежать від проблемної області та того, як найкраще її представити.

Загальні підходи FPS включають:

• жорстко закодовані правила (які можуть бути логічно еквівалентними будь-якому з наведених нижче)
• машини з кінцевим станом
• ієрархічні машини з кінцевим станом
• дерева поведінки
• дерева рішень
• цільове планування дій

І різні перестановки та варіації вище.

Minimax зазвичай не використовується для ігор з безперервним станом, як FPS, більше для покрокових ігор в дискретних ігрових просторах, таких як Шахи тощо. Він може використовуватися для планування на високому рівні, але, як правило, це не тому, що є кращі системи (тобто вище), стикаючись з кількома ворогами, неповною інформацією, але простими планами.

Вони гарантують, що AI - це весело, проводячи ігри. Якщо це занадто складно, вони можуть ввести помилку в будь-яку евристику рішення, або затримати їх реакції, або застосувати випадковий коефіцієнт до їхнього націлювання і т. Д. Якщо це недостатньо складно, їм просто потрібно буде покращити дані, що надходять до алгоритму .

Там є документи про те, як працюють різні ШІ, я найбільше знайомий - СТРАХ

Ще два поширених методу

UCT-пошук. Існує формалізм, але в основному ідея полягає в тому, щоб провести випадкову гру до тих пір, поки гра не закінчиться. Приємна річ у чистому вигляді полягає в тому, що AI не потребує знань про те, що може бути кращим чи гіршим кроком.

Пошук Minmax, як правило, поєднується з обрізкою альфа-бета-дерева, в основному робить повний пошук ігрового простору на деяку глибину, оцінюючи кожен кінцевий вузол статичним оцінником, який присвоює числове значення. Це добре працює для ігор, де є очевидні показники, які вимірюють прогрес до виграшу.