[論文レビュー] Design and Implementation of TAG: A Tabletop Games Framework

Raluca D. Gaina, Martin Balla+3 more|arXiv (Cornell University)|Sep 25, 2020

Artificial Intelligence in Games参考文献 6被引用数 4

ひとこと要約

本稿では、現代のテーブルトップゲームにおけるAIエージェントの開発およびベンチマーク化を目的としたJavaベースのフレームワーク、TAGを提示する。本フレームワークは、統一されたAPI、再利用可能なゲームコンponents、JSONベースのゲーム定義、および組み込みの分析ツールを提供する。Tic-Tac-Toe、Love Letter、Pandemicなどのゲームの迅速なプロトタイプ開発を可能にし、MCTS や RHEA といった多様なAIアルゴリズムのサポートにより、一般ゲームAI、隠れた情報の取り扱い、パrameterチューニングに関する研究を促進する。

ABSTRACT

This document describes the design and implementation of the Tabletop Games framework (TAG), a Java-based benchmark for developing modern board games for AI research. TAG provides a common skeleton for implementing tabletop games based on a common API for AI agents, a set of components and classes to easily add new games and an import module for defining data in JSON format. At present, this platform includes the implementation of seven different tabletop games that can also be used as an example for further developments. Additionally, TAG also incorporates logging functionality that allows the user to perform a detailed analysis of the game, in terms of action space, branching factor, hidden information, and other measures of interest for Game AI research. The objective of this document is to serve as a central point where the framework can be described at length. TAG can be downloaded at: https://github.com/GAIGResearch/TabletopGames

研究の動機と目的

• 多様なメカニクスと隠れた情報を持つ現代のテーブルトップゲームにおける、一般ゲームAI分野における標準化された研究を可能にする。
• 新規ゲームやAIエージェントの実装を簡素化する、再利用可能で拡張可能なフレームワークを提供する。
• 動的ルール変更や非対称な役割を含む、競争的および協力的プレイを両方サポートする。
• 組み込みのトーナメントシステム、ログ記録、可視性分析（例：分岐係数、行動空間）を通じて、AIの評価を促進する。
• 拡張可能なゲームおよびエージェントインターフェースを通じて、信念状態学習、パrameterチューニング、プロシージャルコンテンツ生成に関する研究を奨励する。

提案手法

• コアコンponents（トークン、ダイス、カード、カウンター、ボード）を再利用可能なクラスとして抽象化したモジュラフレームワークを設計する。
• ルールとターン順序に従ったアクションによる状態遷移をサポートするゲームループおよびフォワードモデルを実装する。
• ゲーム状態、アクション、ルールの抽象基底クラスを提供する柔軟なAPIを設計し、ゲームの容易な拡張を可能にする。
• 設定およびデータインポートのためのJSONファイルによるゲーム定義をサポートし、ゲーム開発におけるボイラープレートを削減する。
• 分岐係数、隠れた情報、行動空間といったゲームの複雑さの指標を測定するためのログ記録および分析ツールを統合する。
• 強化学習や計画アルゴリズムに対応する標準化されたインターフェース（例：IVectorObservation、IFeatureRepresentation）を通じて、AIエージェントの統合を可能にする。

実験結果

リサーチクエスチョン

• RQ1 統一されたフレームワークは、隠れた情報や非対称な役割を含む、多様なメカニクスを持つテーブルトップゲームをどのように効果的にサポートできるか？
• RQ2 トランスファーラーニングやパrameterチューニングを用いることで、共通するメカニクスを持つゲーム間でAIエージェントがどの程度一般化できるか？
• RQ3 MCTS や RHEA などの異なるAIアルゴリズムは、競争的および協力的テーブルトップゲームの多様な範囲で、どのように性能を発揮するか？
• RQ4 部分的に観測可能なゲーム状態において、信念状態の構築がAIエージェントで効果的にモデル化できるか？
• RQ5 プロシージャルコンテンツ生成と自動パrameterチューニングは、複雑なテーブルトップゲームにおけるゲームバランスとAIパフォーマンスをどのように向上させることができるか？

主な発見

• TAGは、Love Letter、Uno、Pandemic を含む7つの異なるテーブルトップゲームを正常に実装しており、その多様性と拡張性を実証している。
• 本フレームワークは、分岐係数や隠れた情報のメトリクスを含む詳細なゲーム分析を可能にし、AIパフォーマンスの実証的評価を支援する。
• MCTS や RHEA を使用するAIエージェントは、複数のゲームで競争的なパフォーマンスを達成しており、組み込みのトーナメントおよびログモジュールを通じて結果を入手可能にしている。
• ベクトルおよび特徴ベースの観測の導入により、現代の学習ベースのAIアルゴリズムとのシームレスな統合が可能になっている。
• ITunableParameters インターフェースを介したパrameterチューニングのサポートにより、AI行動およびパフォーマンスの体系的最適化が可能になっている。
• 本設計は、歴史的な状態追跡が行われない状況下で、AIエージェントが隠れた情報を推論する信念状態学習に関する研究を促進しており、人間の認知と類似している。