[논문 리뷰] Design and Implementation of TAG: A Tabletop Games Framework

Raluca D. Gaina, Martin Balla외 3명|arXiv (Cornell University)|2020. 09. 25.

Artificial Intelligence in Games참고 문헌 6인용 수 4

한 줄 요약

이 논문은 현대 보드게임에서 AI 에이전트를 개발하고 벤치마킹하기 위한 자바 기반 프레임워크인 TAG를 제안한다. 이 프레임워크는 통합 API, 재사용 가능한 게임 컴포onent, JSON 기반 게임 정의, 내장된 분 析 도구를 제공하며, 틱택토, 러브 레터, 팬데믹 등의 게임을 신속하게 프로토타이핑할 수 있도록 한다. 또한 MCTS와 RHEA를 포함한 다양한 AI 알고리즘을 지원하여 일반 게임 AI, 은닉 정보 처리, 파rameter 조정 분야의 연구를 가능하게 한다.

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

연구 동기 및 목표

• 다양한 메커니즘과 은닉 정보를 포함한 현대 보드게임을 위한 일반 게임 AI 연구의 표준화를 가능하게 한다.
• 새로운 게임과 AI 에이전트의 구현을 단순화하는 재사용 가능하고 확장 가능한 프레임워크를 제공한다.
• 경쟁적이고 협력적인 플레이 방식을 모두 지원하며, 동적 규칙 변경과 비대칭 역할을 포함한 게임도 지원한다.
• 내장된 토너먼트 시스템, 로깅, 관측 가능성 분석(예: 분기 계수, 행동 공간)을 통해 AI 평가를 촉진한다.
• 확장 가능한 게임 및 에이전트 인터페이스를 통해 신뢰도 상태 학습, 파rameter 조정, 프로시저널 콘텐츠 생성 분야의 연구를 장려한다.

제안 방법

• 핵심 컴포넌트(토큰, 주사위, 카드, 카운터, 보드)를 추상화하여 재사용 가능한 클래스로 모듈화한 프레임워크를 설계한다.
• 게임 루프와 프리디크션 모델을 구현하여 규칙과 턴 순서에 따라 상태 전이를 지원한다.
• 게임 상태, 동작, 규칙에 대한 추상 기반 클래스를 제공하는 유연한 API를 구현하여 게임 확장의 용이성을 확보한다.
• 게임 정의를 JSON 파일을 통해 구성 및 데이터 임포트 방식으로 지원하여 게임 개발의 반복 코드를 줄인다.
• 분기 계수, 은닉 정보, 행동 공간 등의 게임 복잡도 메트릭을 측정하기 위한 로깅 및 분석 도구를 통합한다.
• 강화 학습 및 계획 알고리즘에 적합한 표준화된 인터페이스(IvectorObservation, IFeatureRepresentation 등)를 통해 AI 에이전트 통합을 지원한다.

실험 결과

연구 질문

• RQ1 통합 프레임워크는 메커니즘이 다양하고 은닉 정보 및 비대칭 역할을 포함한 다양한 보드게임을 어떻게 지원할 수 있는가?
• RQ2 공유 메커니즘을 가진 게임 간에 전이 학습 또는 파rameter 조정을 통해 AI 에이전트가 얼마나 일반화할 수 있는가?
• RQ3 다양한 경쟁적 및 협력적 보드게임에서 MCTS, RHEA 등의 다양한 AI 알고리즘이 어떻게 성능을 발휘하는가?
• RQ4 게임 상태가 부분적으로 관측 가능할 경우, 신뢰도 상태 구축이 AI 에이전트에서 효과적으로 모델링될 수 있는가?
• RQ5 프로시저널 콘텐츠 생성과 자동 파rameter 조정은 복잡한 보드게임에서 게임 균형 및 AI 성능 향상에 어떻게 기여할 수 있는가?

주요 결과

• TAG는 러브 레터, 유노, 팬데믹 등을 포함한 일곱 가지의 서로 다른 보드게임을 성공적으로 구현하여 그 유연성과 확장성의 가능성을 입증했다.
• 프레임워크는 분기 계수 및 은닉 정보 메트릭을 포함한 상세한 게임 분석을 가능하게 하여 AI 성능의 실증적 평가를 지원한다.
• MCTS와 RHEA를 사용한 AI 에이전트는 여러 게임에서 경쟁적인 성능을 달성했으며, 내장된 토너먼트 및 로깅 모듈에서 결과를 제공한다.
• 벡터 기반 및 특징 기반 관측을 통합함으로써 현대 기반 학습 알고리즘과의 원활한 통합이 가능해졌다.
• ITunableParameters 인터페이스를 통한 파rameter 조정 기능을 통해 AI 행동 및 성능의 체계적 최적화가 가능해졌다.
• 디자인은 AI 에이전트가 과거 상태 추적 없이도 은닉 정보를 추론해야 하므로, 인간의 인지 방식을 모방하는 신뢰도 상태 학습 분야의 연구를 장려한다.