[論文レビュー] A Python Engine for Teaching Artificial Intelligence in Games

Mark Riedl|arXiv (Cornell University)|Nov 24, 2015

Educational Games and Gamification参考文献 3被引用数 4

ひとこと要約

本論文では、7つの段階的な課題を通じてマルチユーザーバトルアリーナ（MOBA）ゲームを構築する、Game AI教育を目的としたPythonベースのゲームエンジンGAIGEを紹介する。このエンジンはAIモジュールを分離し、パスファインディング、意思決定、行動制御をモジュラーで自動採点可能な環境で実装可能にすることで、学生の関与度を向上させ、Game AI教育のスケーラブルな配信を可能にする。

ABSTRACT

Computer games play an important role in our society and motivate people to learn computer science. Since artificial intelligence is integral to most games, they can also be used to teach artificial intelligence. We introduce the Game AI Game Engine (GAIGE), a Python game engine specifically designed to teach about how AI is used in computer games. A progression of seven assignments builds toward a complete, working Multi-User Battle Arena (MOBA) game. We describe the engine, the assignments, and our experiences using it in a class on Game Artificial Intelligence.

研究の動機と目的

• 大規模またはオンライン教育課程においても、実践的設計とアルゴリズム実装を統合できるGame AI教育の方法を提供すること。
• 一般ゲームメカニクスからAIモジュールを分離し、焦点を当てた学習と自動採点評価を可能にする、構造的でモジュラーな学習プロセスを構築すること。
• ゲーム開発という魅力的な文脈を活用して、学生のコンピュータサイエンスおよびAIへの関心を喚起すること。
• 複雑なAI実装をゲーム環境でする際の自動採点を可能にすることで、教育のスケーラビリティを支援すること。
• 教育者にとって、手続き的コンテンツ生成、プレイヤーモデリング、動的難易度調整といった分野での新しい課題作成が柔軟に可能なフレームワークを提供すること。

提案手法

• GAIGEは、AIロジックを除くゲームのコア機能を提供するPythonゲームエンジンであり、学生がAIアルゴリズムの実装にのみ集中できるように設計されている。
• カリキュラムは7つの段階的な課題で構成され、それぞれがA*を用いたパスファインディング、有限状態マシン、行動ツリーといった特定のAI技術に焦点を当てている。
• 各課題は独立して自動採点可能であり、反復的学習と即時のパフォーマンス評価を支援するフィードバックメカニズムが備わっている。
• エンジンのモジュラー構造により、学生はパスファインディングなどの基礎的コンponentsについて教員が提供するソリューションを再利用可能であり、後続の課題に影響を与えない。
• フレームワークは拡張性を備えており、学生の関心や課程のニーズに応じて、バイナリスペースパーティショニングや手続き的マップ生成といった新しい課題の迅速開発が可能である。
• リアルタイムの提出とフィードバックを可能にするサーバベースの自動採点システムを導入し、学生の関与度と成績の向上を図った。

実験結果

リサーチクエスチョン

• RQ1 教育的構造と現実世界への適用性の両立を図るゲームエンジンは、どのように設計できるか？
• RQ2 モジュラーで自動採点可能な課題フレームワークは、Game AI教育課程における学生の学習成果を向上させられるか？
• RQ3 ゲームの文脈を用いることで、AI教育における学生の動機付けと関与度はどの程度向上するか？
• RQ4 ゲーム内のAIモジュールを完全なゲーム開発を伴わずに段階的に分離して教えるにはどうすればよいか？
• RQ5 このフレームワークは、手続き的コンテンツ生成やプレイヤーモデリングといった高度なトピックに対しても拡張可能か？

主な発見

• 即時のフィードバックが得られるサーバベースの自動採点システムの導入により、ナビゲーションメッシュ生成に関する課題1.5の追加後、課題2の平均得点が7.5/10まで上昇した。
• 学生はパスファインディングなどの基礎的コンponentsについて教員が提供するソリューションを頻繁に再利用したが、エンジンのモジュラー設計のおかげで、後続の課題での成績に悪影響を及ぼさなかった。
• パスファインディングや行動制御といったコアAIコンponentsの学生実装の多くが、教員が用意したベースラインソリューションを上回るパフォーマンスを示し、効果的な学習とイノベーションの兆候を示した。
• GAIGEのモジュラーアーキテクチャのおかげで、バイナリスペースパーティショニングに関する課題を1週間以内に迅速に開発可能であり、高い拡張性を示した。
• このフレームワークは、プレイヤー行動指標に基づく手続き的マップ生成課題を含む、大学院レベルの研究的作業に対しても成功裏に対応できており、研究統合の可能性を示した。
• GAIGEは、スケーラブルで自動採点可能なGame AI教育を可能にし、特にオンラインまたはハイブリッド学習環境において、このような課程を大規模に提供可能にする。