[논문 리뷰] A Python Engine for Teaching Artificial Intelligence in Games

Mark Riedl|arXiv (Cornell University)|2015. 11. 24.

Educational Games and Gamification참고 문헌 3인용 수 4

한 줄 요약

이 논문은 다중 사용자 전투 아레나(MOBA) 게임을 구축하는 데 초점을 맞춘 일곱 단계의 할당과 함께 인공지능을 게임에서 가르치기 위해 설계된 파이썬 기반 게임 엔진인 GAIGE를 소개한다. 엔진은 AI 구성 요소를 분리하여 학생들이 경로 탐색, 의사결정, 행동 제어를 모듈러하고 자동 채점 가능한 환경에서 구현할 수 있도록 하며, 이로 인해 학생들의 참여도 향상과 게임 AI 교육의 확장 가능한 강의 제공이 가능해졌다.

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.

연구 동기 및 목표

• 대규모 또는 온라인 수업에서도 실용적 설계와 알고리즘 구현을 융합할 수 있도록 게임 AI를 가르치는 데 도전하는 것.
• 일반적인 게임 메커니즘에서 AI 구성 요소를 분리하여 전략적이고 모듈러한 학습 진행 방식을 제공함으로써 집중적인 학습과 자동 채점 평가를 가능하게 하는 것.
• 게임 개발의 매력적인 맥락을 활용하여 학생들의 컴퓨터 과학 및 인공지능 교육에 대한 관심을 유도하는 것.
• 복잡한 AI 구현을 게임 환경에서 자동 채점할 수 있도록 하여 지도의 확장성을 지원하는 것.
• 교사들이 절차적 콘텐츠 생성, 플레이어 모델링, 동적 난이도 조정 등의 새로운 할당 과제를 쉽게 만들 수 있도록 하는 유연한 프레임워크를 제공하는 것.

제안 방법

• GAIGE는 AI 논리 외에는 핵심 게임 기능을 제공하는 파이썬 기반 게임 엔진으로, 학생들이 AI 알고리즘을 구현하는 것에만 집중할 수 있도록 한다.
• 커리큘럼은 일곱 단계의 점진적 할당 과제로 구성되며, 각 과제는 A*를 통한 경로 탐색, 유한 상태 기계, 행동 트리와 같은 특정한 AI 기법에 초점을 맞춘다.
• 각 과제는 독립적으로 자동 채점 가능하도록 설계되었으며, 반복 학습과 즉각적인 성능 평가를 지원하는 피드백 메커니즘이 내장되어 있다.
• 엔진의 모듈러리티 덕분에 학생들이 경로 탐색 등의 기초 구성 요소에 대해 인structor가 제공한 솔루션을 사용해도 이후 과제에 영향을 주지 않으며, 이는 강력하고도 민첩한 설계를 보장한다.
• 프레임워크는 확장성도 지원하여, 학생들의 관심과 과정의 필요에 따라 빠르게 새로운 과제(예: 이진 공간 분할 또는 절차적 맵 생성)를 개발할 수 있다.
• 실시간 제출과 피드백을 가능하게 하기 위해 서버 기반 자동 채점 시스템을 도입하여 학생들의 참여도와 성과를 향상시켰다.

실험 결과

연구 질문

• RQ1 게임 AI를 가르치는 데 있어 교육적 구조와 실제 적용 가능성을 균형 있게 유지할 수 있도록 게임 엔진을 설계하는 방법은 무엇인가?
• RQ2 모듈러하고 자동 채점 가능한 과제 프레임워크가 게임 AI 수업에서 학생들의 학습 성과를 향상시킬 수 있는가?
• RQ3 게임 맥락을 활용할 경우 학생들의 AI 교육에 대한 동기부여와 참여도는 어느 정도 향상되는가?
• RQ4 게임의 전체 개발이 필요 없이도 게임 내 AI 구성 요소를 분리하고 점진적으로 가르칠 수 있는 방법은 무엇인가?
• RQ5 이 프레임워크는 절차적 콘텐츠 생성 및 플레이어 모델링과 같은 고급 주제를 지원할 수 있는가?

주요 결과

• 즉각적인 피드백을 제공하는 서버 기반 자동 채점 시스템을 도입함으로써 학생들의 성과가 크게 향상되었으며, 경로 탐색 메시 생성에 대한 Assignment 1.5 도입 이후 Assignment 2의 평균 점수가 7.5/10으로 상승했다.
• 학생들은 기초 구성 요소인 경로 탐색 등의 인structor 제공 솔루션을 자주 재사용했지만, 엔진의 모듈러 설계 덕분에 이는 이후 과제 성과에 영향을 주지 않았다.
• 경로 탐색 및 행동 제어와 같은 핵심 AI 구성 요소를 구현한 일부 학생들의 성과가 인structor의 기준 솔루션을 초월하여 효과적인 학습과 혁신을 보여주었다.
• GAIGE의 모듈러 아키텍처 덕분에 이진 공간 분할 과제와 같은 새로운 과제를 일주일 이내로 신속하게 개발할 수 있었으며, 이는 강력한 확장성을 보여주었다.
• 이 프레임워크는 고급 대학원 수준의 작업까지도 지원하여 플레이어 행동 지표를 기반으로 한 절차적 맵 생성 과제를 성공적으로 수행했으며, 연구 통합 가능성을 보여주었다.
• GAIGE는 확장 가능하고 자동 채점 가능한 게임 AI 지도를 가능하게 하여, 특히 온라인 또는 하이브리드 학습 환경에서 이러한 과정을 대규모로 제공하는 데 현실 가능성을 확보했다.