從作弊到機器學習——足球AI概況

作者： alexjc

譯者： 賴勇浩（戀花蝶）

當談起遊戲人工智慧的時候，大家通常都會比較多地關注FPS或者實時策略遊戲，其實體育類遊戲的挑戰和解決方案同樣值得關注。儘管在學術研究和遊戲業界都沒有多少公開的可供學習的成果，但我們仍然可以根據 EA 和 Take2 每年釋出的產品來談談這個領域研究進展。

本週的題目來自 Anthony，他正在做一個與足球遊戲相關的研究生課題：

“大家怎麼看體育遊戲的 AI ?我認為體育 AI 是比較困難的，因為沒有像開發一個幻想風格遊戲那樣的自由度（因為玩家永遠不會有真實體驗那種場景的機會）。[譯者注：這一段有點畫鬼畫神最易，畫狗畫貓最難的意思。]

每個人都參與過體育活動，他們對遊戲有明確的期望。有人知道哪裡有相關的學術資源可以讓我深入學習一下麼？”

通常而言，體育遊戲的 AI 在結構上類似於 FPS 或 RTS 遊戲：底層是控制和動畫，中間層是個體的決策，上層是戰術。但從每一層來看，它又與其它遊戲大有不同。

截圖1：Madden NFL 2008 擁有迄今為止最強的足球 AI

角色動畫

玩家對體育模擬遊戲期望越高，球員的運動就顯得越為重要。遊戲中角色移動、抱球、與其它角色的互動，應當極具真實感。這些都是建立在角色動畫之上的。

看看到目前為止這一領域所做的研究工作，就可以肯定遊戲中動畫的重要性。許多動畫專案都是由EA 或其它開發商出資或者資助的。如果你閱讀一下 SIG

• 一文點評了 AiGameDev.com 中與運動合成相關的文章。

在這一領域仍然有許多改進餘地，但運動合成需要。NaturalMotion是一個動畫中介軟體，它致力於足球模擬（稱為），遺憾的是它遠不夠成熟。

真實感動畫在現在和可以預見的未來都只能使用動作捕捉。開發人員必定會拋棄利用一小段時間片進行物理反應模擬的方案，而是改用動作捕捉來儘可能快地提供有針對性的行為。

截圖2：完美的截球動畫在技術上極具難度

個體行為

在體育遊戲架構的中間層，個體的AI 比起動畫層就簡單得多。它通常使用多個操控行為的組合來控制角色，如：遠離對手、向目標前進和尋找開闊空間等。

這種個體的 AI 與傳統的第一人稱或第三人稱射擊遊戲遊戲的角色 AI 極其相似。它經常使用簡單的決策生成技術，如有限狀態機，來執行上層 AI 下達的戰術。這個領域沒有太多可供研究的東西，因為它易於理解。

參考閱讀：

• Graig Reynld

截圖3：球員基本行為由有限狀態機實現

戰術 AI

從戰術角度來看，體育遊戲比起射擊類遊戲要簡單得多：只有一個球場而非多個關卡，也用不到複雜的幾何學。你唯一需要考慮的是團隊的不同成員間的協作。儘管，這並不是小問題，但從許多遊戲中可以知道 AI 開發人員只需要做好最重要的事：讓球員在進攻和防守兩方面都有不錯的表現。

現在看來，在體育遊戲中的可配接 AI 上的研究已經不少，尤其是《 Madden NFL 》遊戲。多年來，開發者曾經簡單地利用玩家的選擇來作弊，現在則使用機器學習演算法來完成這一課題。

• 這個PDF文件描述了 Madden 遊戲從上世紀90年代中期到 2004 年的AI 歷史。
• 大家也可以利用Alberta大學的研究專案來使用統計學習。

截圖4：初始位置和每個球員的目標是戰術的要素

你也深入觀察過體育遊戲的 AI 嗎？你認為那些遊戲的 AI 行為怎麼樣？