Master-Thesis

22.10.2012 | Fachbereich Informatik | Databases and Distributed Systems | Damian A. Czarny, B. Sc | 1 / 22

Master-Thesis

Entwicklung einer Game AI zur realistischen Lasterzeugung in verteilten Massively Multiplayer

Online Games

Damian A. Czarny, B. Sc. Betreuer: Max Lehn, M. Sc.


Präsentation

Gliederung

I. Motivation (3)

II. Verwandte Ansätze (2)

III. Grundlagen (4)

IV. Design (4)

V. Demo (1)

VI. Evaluation (3)

VII. Fazit (1)

VIII. Quellen (1)


Beispielszenario

• Entwicklung eines Massively Multiplayer Online Games (MMOG)

• Features:

• 3D-Open Word Third Person Shooter mit Raumschiffen im Weltraum

• Revolutionäres Gameplay und atemberaubende Action

• Free-to-Play

• Ziel: Spielerzahlen und Erfolg eines World of Warcraft

• Problem: Kosten der Serverfarm !

I. Motivation – Beispielszenario (1/3)

Client/Server-Architektur Peer-to-Peer-ArchitekturBildquelle: http://www.freesoftwaremagazine.com/files/nodes/2483/networks.jpg

Bildquelle: http://i.telegraph.co.uk/multimedia/archive/01582/dollars_1582317c.jpg

http://www.freesoftwaremagazine.com/files/nodes/2483/networks.jpg

http://i.telegraph.co.uk/multimedia/archive/01582/dollars_1582317c.jpg


Benchmarking-Methodik

• Ziel: Vergleichbarkeit von P2P-Overlay-Netzwerken ermöglichen

• Entwicklung eines Testbed-Systems für Large-scale Distributed Systems

• Notwendigkeit der Belastung der zu evaluierenden P2P-Overlay-Netzwerke

I. Motivation – Aufgabenstellung (2/3)

Netzwerklast Anforderungen

• Synthetische Generierung einer Netzwerklast die

• reproduzierbar

• skalierbar

• realistisch und

• konfigurierbar bzw. kalibrierbar ist


I. Motivation – Aufgabenstellung (3/3)

P2P-Gaming-Overlay Benchmarking

• Bestandteil der P2P-Benchmarking-Methodik

• Vorgehensweise: Evaluation mittels Planet PI4 und Discrete Event Game Simulator

• Aufgabe: Realisierung der Netzwerklast mittels kontext-sensitiver AI-Spieler in Planet PI4


II. Verwandte Ansätze – Lasterzeugung (1/2)

Methoden der Lasterzeugung

• Direkte Benutzung von statischen Game-Traces (Spielaufzeichnungen)

• Vorteil: Realistisch und Reproduzierbar

• Nachteil: Keine Skalierung und Konfigurierung möglich

• Verwendung von Mobility-Modellen

• Vorteil: Skaliert und Konfigurierbar

• Nachteil: Mangelnder Realismus

• Verwendung von Behavior-Modellen

• Vorteil: Realistischer als Mobility-Modelle

• Nachteil: Immer noch nicht realistisch genug


II. Verwandte Ansätze – Beispiele (2/2)

Random Waypoint Mobility Model (RWP) [Q3] Networked Game Mobility Model (NGMM) [Q3]

Echte Game-Traces einer Quake 2-Partie [Q3]


Rationaler Agent

III. Grundlagen – Rationaler Agent (1/4)

„Alles, was eine Umgebung (Environment) über Sensoren (Sensors) wahrnehmen kann und

in dieser Umgebung über Aktuatoren (Actuators) handelt.“ Stuart Russell [Q2]

• Einfache Reflex-Agenten: Aktionsauswahl basiert nur auf aktueller Wahrnehmung und

wird durch Condition-Action-Rules modelliert.

Decision Making

Basierend auf [Q1] und [Q2}


Rationaler Agent



• Modellbasierte Reflex-Agenten: Es wird ein interner Zustand und ein Weltmodell

verwaltet, um nicht beobachtbare Aspekte zu modellieren.

Decision Making

World Model




Rationaler Agent



• Zielbasierte Agenten: Anhand des Weltmodells und des internen Zustandes beeinflusst

eine Zielfunktion die Aktionsauswahl.

Decision Making

World Model




Rationaler Agent



• Nutzenbasierte Agenten: Zielerfüllung wird auf den Nutzen analysiert um zwischen

Aktionen oder Aktionsketten die Ziele erfüllen zu unterscheiden.

Decision Making

Utility FunctionWorld Model




Modellerweiterung

• Aufteilung und hierarchische Anordnung der Verantwortlichkeiten in drei Ebenen

• Strategisch (langfristig): Konfigurierung und Steuerung der Aktionsauswahl

• Taktisch (mittelfristig): Bestimmung der Aktionsauswahl

• Operativ (kurzfristig): Ausführung der Aktionsauswahl

Strategy

Tactic

Operative

Decision Making

Steering/Combat

Config/Utility

IV. Design – Game AI-Konzept (1/4)

Agentenmodell nach Reynodls [Q4]


IV. Design – Game AI-Konzept (2/4)

Nutzenbasierter (rationaler) Agent Agentenmodell nach Reynolds


IV. Design – Operative Ebene (3/4)

Strategy

Tactic

Operative

Decision Making

Steering/Combat

Config/Utility


IV. Design – Taktische Ebene (4/4)


Nun folgt eine kleine Demo …

V. Demo (1/1)


VI. Evaluation – Überblick (1/3)

Eckdaten

• Aufstellung von 13 Metriken zur Messung von Verhalten und Performance

• Ablauf neun verschiedener Testszenarien mit dem Discrete Event Game Simulator

• Überprüfung verschiedener Simulations- und Bot-Parameter

• Vergleich mit der Vorgänger Implementierung: DragonBot


VI. Evaluation – Upgrade Point Score (2/3)


VI. Evaluation – Realismus (3/3)

Simulationsparameter 6. & 7. Testszenario

Metrikergebnisse T6 (neuer Bot) Metrikergebnisse T7 (alter Bot)

KD-Ratio: 90% - 96% KD-Ratio: ca. 80%

Metrikergebnisse T1-5 (neuer Bot) Metrikergebnisse T8 (alter Bot)


VII. Fazit (1/1)

Sonstige Ergebnisse

• Game AI-Architektur begünstigt aufgrund der Trennung von Verantwortlichkeiten die

Wartung und Weiterentwicklung

• Behavior Tree – Implementierung ermöglicht das Denken und Steuern des Bots anhand

von Verhaltensweisen

Evaluationsergebnisse

• Wichtige Verhaltensaspekte sind direkt steuer- und konfigurierbar

• Realistische Steuerung im Raum und beim Ausweichen von statischen und

dynamischen Hindernissen

• Performance ist etwas schlechter als die der Vorgänger-Implementierung

• Verhalten ist mit dem Simulator reproduzierbar


Quellen

(1) Alexander Nareyek. Review: Intelligent agents for computer games. In Computers and Games, Second International Conference, CG 2000, Japan,Springer, 2000.

(2) S. J. Russell and P. Norvig. Künstliche Intelligenz: Ein moderner Ansatz. Pearson Studium, 2nd edition, 2004.

(3) Swee Ann Tan, William Lau, and Allan Loh. Networked game mobility model for first-person-shooter games. In Proceedings of 4th ACM SIGCOMM workshop on Network and system support for games, NetGames ’05, 2005.

(4) Craig Reynolds. Steering behaviors for autonomous characters, 1999.

VIII. Quellen (1/1)


Danke für Ihre Aufmerksamkeit!

Damian A. Czarny, B. Sc. Betreuer: Max Lehn, M. Sc.

Documents

Master-Thesis