[논문 리뷰] Adaptive Artificial Intelligence in Games: Issues, Requirements, and a Solution through Behavlets-based General Player Modelling

Benjamin Ultan Cowley, Darryl Charles|arXiv (Cornell University)|2016. 07. 18.

Artificial Intelligence in Games참고 문헌 10인용 수 5

한 줄 요약

이 논문은 행동패턴(behavlets)—심리학적으로 근거가 있고 도메인에 특화된 행동 패tern—기반의 일반화된 플레이어 모델을 제안하여 게임 내 적응형 AI를 향상시킨다. 범주론을 사용해 플레이어 특성과 게임 플레이나 동역학을 형식적으로 명시함으로써, 일관되고 조합 가능하며 분석 가능한 적응이 가능해지며, 구조화된 플레이어 프로파일링과 게임 적응의 형식적 비교를 통해 AI의 효능을 향상시킨다.

ABSTRACT

We present the last of a series of three academic essays which deal with the question of how and why to build a generalized player model. We propose that a general player model needs parameters for subjective experience of play, including: player psychology, game structure, and actions of play. Based on this proposition, we pose three linked research questions: RQ1 what is a necessary and sufficient foundation to a general player model?; RQ2 can such a foundation improve performance of a computational intelligence- based player model?; and RQ3 can such a player model improve efficacy of adaptive artificial intelligence in games? We set out the arguments behind these research questions in each of the three essays, presented as three preprints. The third essay, in this preprint, presents the argument that adaptive game artificial intelligence will be enhanced by a generalised player model. This is because games are inherently human artefacts which therefore, require some encoding of the human perspective in order to effectively autonomously respond to the individual player. The player model informs the necessary constraints on the adaptive artificial intelligence. A generalised player model is not only more efficient than a per-game solution, but also allows comparison between games which makes it a useful tool for studying play in general. We describe the concept and meaning of an adaptive game. We propose requirements for functional adaptive AI, arguing from first principles drawn from the games research literature. We propose solutions to these requirements, based on a formal model approach to our existing 'Behavlets' method for psychologically-derived player modelling: Cowley, B., & Charles, D. (2016). Behavlets: a Method for Practical Player Modelling using Psychology-Based Player Traits and Domain Specific Features. User Modeling and User-Adapted Interaction, 26(2), 257-306.

연구 동기 및 목표

• 플레이어의 주관적 경험을 심리학, 게임 구조, 행동 패턴을 통합하여 포괄하는 일반화된 플레이어 모델의 기초를 마련하는 것.
• 다양한 게임 간에 효율적이고 재사용 가능하며 비교 가능한 적응형 AI 시스템을 구축하는 데 도전하는 것.
• 형식적이고 일반화된 플레이어 모델이 게임 내 적응형 AI의 효능과 실현 가능성을 향상시킬 수 있음을 검증하는 것.
• 플레이어 모델링을 위한 형식적 사양 방법을 통해 심리학 이론과 계산 지능을 통합하는 것.
• 통합적이고 형식적인 프레임워크를 통해 게임 간 비교 및 적응형 AI의 체계적 평가를 가능하게 하는 것.

제안 방법

• 게임 적응의 엄밀한 비교를 가능하게 하기 위해 일반화된 플레이어 모델에 대한 범주론적 형식 사양을 제안한다.
• 기존의 Behavlets 방법—게임 내 복합 행동 시퀀스에 심리적 특성을 매핑하는 방법—을 형식적 모델 프레임워크에 통합한다.
• 형식적 모델을 사용해 적응형 AI의 제약 조건과 입력을 정의함으로써 논리적 일관성과 플레이어 중심의 적응을 보장한다.
• 테스트베드 게임(예: 1인칭 슈팅 게임)을 다양한 적응형 AI 조건 하에서 반복적인 시뮬레이션과 플레이테스팅을 수행하여 모델 성능을 평가한다.
• 수동 테스트가 어려워지는 상황에서 특히 중요한 복잡도가 증가하는 적응의 평가를 위해 추상적 게임 비교-시뮬레이션 기법을 적용한다.
• 심리적 프로파일링과 도메인 특화 기능을 결합하여 기반 데이터에 기반하고 이론을 반영한 플레이어 표현을 생성함으로써 머신러닝 통합을 지원한다.

실험 결과

연구 질문

• RQ1 플레이어 심리학, 게임 구조, 행동 패턴을 통합하는 데 필요한 필수적이고도 충분한 일반화된 플레이어 모델의 기초는 무엇인가?
• RQ2 이러한 기초가 실시간 환경에서 계산 지능 기반 플레이어 모델의 성능을 향상시킬 수 있는가?
• RQ3 일반화된 플레이어 모델이 복잡하고 동적인 환경에서 특히 적응형 AI의 효능과 실현 가능성을 향상시킬 수 있는가?

주요 결과

• Behavlets 기반의 형식적이고 일반화된 플레이어 모델은 다양한 게임 간 플레이어 행동의 일관되고 조합 가능한 표현을 가능하게 한다.
• 심리학 이론과 형식적 사양의 통합은 적응형 AI에 논리적 제약 조건을 적용할 수 있게 하여 그 신뢰성과 일관성을 향상시킨다.
• 플레이어 모델이 형식적으로 명시되면, 특히 대규모에서의 게임 적응 비교가 가능하고 체계적이게 된다.
• 이 방법은 점점 더 복잡해지는 적응형 AI 시스템에 대한 반복적 평가를 지원하며, 수동 테스트가 실패하는 복잡도의 한계를 형식적 분석을 통해 초월한다.
• 구조적이고 반복 가능한 평가를 통해 적응형 AI의 검증이 가능해지며, 플레이어 프로파일링이 AI의 적응 가능성과 성능을 향상시킨다는 것이 입증된다.
• 미래의 연구에서 Behavlets와 형식적 방법을 결합함으로써 일반화되고 재사용 가능하며 분석 가능한 적응형 게임 시스템의 개발이 가능하다.