La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Intelligence artificielle dans les jeux RTS IFT615 – Été 2011 Simon Chamberland.

Présentations similaires


Présentation au sujet: "Intelligence artificielle dans les jeux RTS IFT615 – Été 2011 Simon Chamberland."— Transcription de la présentation:

1 Intelligence artificielle dans les jeux RTS IFT615 – Été 2011 Simon Chamberland

2 Plan Jeux RTS? IA dans les jeux RTS Défis Compétition AIIDE 2010 Agent artificiel SPAR Techniques Planification Théorie des jeux

3 Plan Jeux RTS? IA dans les jeux RTS Défis Compétition AIIDE 2010 Agent artificiel SPAR Techniques Planification Théorie des jeux

4 4 Real-Time Strategy But typique: anéantir ladversaire! Joueurs jouent simultanément Acquérir des ressources Construire une base Recruter des unités Jeux RTS?

5 5 StarCraft Blizzard Entertainment Jeux RTS? 3 Races Terran Protoss Zerg

6 6 StarCraft Jeux RTS?

7 Plan Jeux RTS? IA dans les jeux RTS Défis Compétition AIIDE 2010 Agent artificiel SPAR Techniques Planification Théorie des jeux

8 8 Moins defforts que sur laspect graphique Performance laissant habituellement à désirer Sauf si lIA « triche » Informations complètes sur la carte Rythme plus élevé dacquisition de ressources IA dans les jeux RTS

9 Plan Jeux RTS? IA dans les jeux RTS Défis Compétition AIIDE 2010 Agent artificiel SPAR Techniques Planification Théorie des jeux

10 10 Temps réel Prendre une décision rapidement! Multitude dunités Beaucoup dactions possibles… Défis

11 11 Concurrence 5 actions sans concurrence 2 5 actions avec concurrence Environnement dynamique Que fera ladversaire? Information incomplète Brouillard de guerre Défis

12 Plan Jeux RTS? IA dans les jeux RTS Défis Compétition AIIDE 2010 Agent artificiel SPAR Techniques Planification Théorie des jeux

13 13 StarCraft En marge dune conférence sur les jeux (AIIDE) Compétition AIIDE 2010

14 14 Première compétition lannée dernière 28 participants Revient cette année! Compétition AIIDE 2010

15 15 Différents tournois 1. Contrôle dunités (micromanagement) 2. Contrôle dunités + terrain non trivial 3. Partie avec tech. limitée 4. Partie complète Compétition AIIDE 2010 Muta/scourges vs muta/scourges

16 16 Différents tournois 1. Contrôle dunités (micromanagement) 2. Contrôle dunités + terrain non trivial 3. Partie avec tech. limitée 4. Partie complète Compétition AIIDE dragoons vs 10 dragoons

17 17 Différents tournois 1. Contrôle dunités (micromanagement) 2. Contrôle dunités + terrain non trivial 3. Partie avec tech. limitée 4. Partie complète Compétition AIIDE 2010 Tech dragoons, information parfaite

18 18 Différents tournois 1. Contrôle dunités (micromanagement) 2. Contrôle dunités + terrain non trivial 3. Partie avec tech. limitée 4. Partie complète Compétition AIIDE 2010 GL HF!

19 19 Exemple « épique » (partie complète) Compétition AIIDE 2010

20 20 Overmind (UC Berkeley) – gagnant Compétition AIIDE 2010

21 21 Overmind (UC Berkeley) – gagnant Haut niveau: planificateur Contraintes de ressources Assure une progression technologique de lagent Compétition AIIDE 2010

22 22 Overmind (UC Berkeley) – gagnant Haut niveau: planificateur Contraintes de ressources Assure une progression technologique de lagent Bas niveau: microcontrôleurs Trajectoires: A* avec reconnaissance de menace Champs de potentiel Compétition AIIDE 2010

23 23 Sherbrooke AI – Steve Tousignant, Anthony Jo Quinto et Frédéric St-Onge 2e (sur 7) dans le tournoi #1 Carte dinfluence Visibilité Densité dunités Menaces Compétition AIIDE 2010

24 24 Machines à états finis Scripts Cartes dinfluence Champs de potentiel Compétition AIIDE 2010 AIIDE - Techniques utilisées

25 25 Machines à états finis Scripts Cartes dinfluence Champs de potentiel Compétition AIIDE 2010 AIIDE - Techniques utilisées Réseaux de neurones Swarm intelligence Inférence probabiliste Algorithmes génétiques

26 26 Machines à états finis Scripts Cartes dinfluence Champs de potentiel Compétition AIIDE 2010 AIIDE - Techniques utilisées Réseaux de neurones Swarm intelligence Inférence probabiliste Algorithmes génétiques

27 Plan Jeux RTS? IA dans les jeux RTS Défis Compétition AIIDE 2010 Agent artificiel SPAR Techniques Planification Théorie des jeux

28 28 Objectifs Testbed pour les algorithmes de planification/reconnaissance de plan Participer à AIIDE 2011! Agent artificiel SPAR

29 29 Architecture Agent artificiel SPAR

30 30 Architecture Agent artificiel SPAR

31 31 Modules de prise de décision Agent artificiel SPAR Objectifs à long terme, i.e. composition de larmée Actions à accomplir (déplacer, attaquer, construire…) Exécution des actions Réactions (si alors…)

32 32 Agent artificiel SPAR Inférence par cas? Planification Ad hoc Machines à états finis Modules de prise de décision

33 33 Agent artificiel SPAR Inférence par cas? Planification Ad hoc Machines à états finis Modules de prise de décision

34 Plan Jeux RTS? IA dans les jeux RTS Défis Compétition AIIDE 2010 Agent artificiel SPAR Techniques Planification Théorie des jeux

35 35 Un seul agent Environnement potentiellement non-déterministe Objectif: trouver des actions (un plan) permettant datteindre un but Planification

36 36 Classique On a Un état initial Un ensemble dactions (déplacer, attaquer…) Un but à atteindre Planification

37 37 Classique On a Un état initial Un ensemble dactions (déplacer, attaquer…) Un but à atteindre Simuler des actions dans le temps Jusquà atteindre le but Planification DéplacerDéfendre Attaquer

38 38 Classique Choisir le « meilleur plan » Qui respecte les contraintes Qui optimise une métrique / fonction dutilité A* Planification

39 Plan Jeux RTS? IA dans les jeux RTS Défis Compétition AIIDE 2010 Agent artificiel SPAR Techniques Planification Théorie des jeux

40 40 Contexte multi-agent Objectif: trouver des actions maximisant lutilité dun agent Problème: lutilité dépend des décisions des autres agents! Théorie des jeux

41 41 Hypothèses principales Agent rationnel Voulant maximiser son utilité Agent égoïste Nest pas concerné par lutilité des autres Très utilisée en économie Théorie des jeux

42 42 Jeux séquentiels à deux joueurs (Avec information parfaite et somme nulle) On a Un ensemble dactions, {Agent} et {Adversaire} Une fonction dutilité Théorie des jeux

43 43 Jeux séquentiels à deux joueurs (Avec information parfaite et somme nulle) On a Un ensemble dactions, {Agent} et {Adversaire} Une fonction dutilité Trouver des actions maximisant lutilité de lagent Selon un modèle de ladversaire Théorie des jeux

44 44 Jeux séquentiels à deux joueurs Minimax (ou alpha-beta pruning) On assume que ladversaire joue optimalement Maximiser son pire gain Théorie des jeux

45 45 Jeux simultanés à deux joueurs Lagent et ladversaire jouent en même temps Ex: ciseau-roche-papier Théorie des jeux

46 46 Jeux simultanés à deux joueurs Lagent et ladversaire jouent en même temps Ex: ciseau-roche-papier Le résultat dépend des deux actions Théorie des jeux CiseauxRochePapier Ciseaux01 Roche10 Papier10

47 47 Jeux simultanés à deux joueurs (Avec information imparfaite et somme nulle) On a Un ensemble dactions, {Agent} et {Adversaire} Une fonction dutilité Trouver des actions maximisant lutilité de lagent Selon un modèle de ladversaire Théorie des jeux

48 48 A ou B? Théorie des jeux A?B? ? ?

49 49 A ou B? Théorie des jeux Adversaire/ Agent AB A2-2 B-43 A: attaquer base A B: attaquer base B A: défendre base A B: défendre base B

50 50 A ou B? Si on connaît a priori le modèle de probabilité de ladversaire: Processus de décision de Markov Théorie des jeux Adversaire/ Agent A (60%) B (40%) A2-2 B-43 A: attaquer base A B: attaquer base B A: défendre base A B: défendre base B

51 51 A ou B? Si on connaît a priori le modèle de probabilité de ladversaire: Processus de décision de Markov Théorie des jeux Adversaire/ Agent A (60%) B (40%) A2-2 B-43 Action = A V = 0.4

52 52 A ou B? Si on na aucune information Théorie des jeux Adversaire/ Agent A (?) B (?) A2-2 B-43 A: attaquer base A B: attaquer base B A: défendre base A B: défendre base B

53 53 A ou B? Si on na aucune information Équilibre de Nash On assume que ladversaire joue optimalement Chaque stratégie est la meilleure face à lautre Théorie des jeux Adversaire/ Agent A (?) B (?) A2-2 B-43 A: attaquer base A B: attaquer base B A: défendre base A B: défendre base B

54 54 A ou B? Si on na aucune information Équilibre de Nash On assume que ladversaire joue optimalement Chaque stratégie est la meilleure face à lautre Théorie des jeux Action = (64% A, 36% B) V = Adversaire/ Agent A (45%) B (55%) A (64%)2-2 B (36%)-43

55 55 Game Tree Théorie des jeux s1s1 A B B A A B

56 56 Game Tree Théorie des jeux A B ? s1s1 A B B A Feuilles

57 57 Game Tree Théorie des jeux A B ? A: attaquer base A B: attaquer base B A: défendre base A B: défendre base B Adversaire/ Agent AB A2-2 B-43

58 58 Game Tree Théorie des jeux A B A: attaquer base A B: attaquer base B A: défendre base A B: défendre base B Adversaire/ Agent A (45%) B (55%) A (64%)2-2 B (36%)-43 Action = (64% A, 36% B) V = -0.18

59 59 Game Tree Théorie des jeux Adversaire/ Agent CD C D1 CD C D D C

60 60 Game Tree Théorie des jeux Adversaire/ Agent C (0%) D (100%) C (0%) D (100%)1 Action = D (domination stricte) V = -1 CD

61 61 Jeux simultanés à deux joueurs Somme générale (non-constante) Ex: dilemme des prisonniers Théorie des jeux 1/2Se taireDénoncer Se taire(-0.5, -0.5)(-10, 0) Dénoncer(0, -10)(-5, -5)

62 62 Jeux simultanés à deux joueurs Somme générale (non-constante) Ex: dilemme des prisonniers Théorie des jeux 1/2Se taireDénoncer Se taire(-0.5, -0.5)(-10, 0) Dénoncer(0, -10)(-5, -5) Un seul équilibre (de Nash): (Dénoncer, Dénoncer)!

63 63 Intelligence artificielle dans les jeux RTS: plus compliqué que jouer aux échecs… Tirer profit de la reconnaissance de plan Conclusion Reconnaissance de plan Prise de décision

64 Questions?

65


Télécharger ppt "Intelligence artificielle dans les jeux RTS IFT615 – Été 2011 Simon Chamberland."

Présentations similaires


Annonces Google