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

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

Artificial Intelligence in Games参考文献 10被引用 5

一句话总结

本文提出了一种基于行为模块（Behavlets）的通用玩家模型，以增强游戏中的自适应人工智能。通过使用范畴论正式规范玩家特质与游戏动态，该模型实现了稳定、可组合且可分析的自适应机制，提升了人工智能的效能，实现了结构化的玩家画像与游戏适应性的形式化比较。

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.

研究动机与目标

• 建立一个通用玩家模型的基础，通过心理学、游戏结构与行为模式来捕捉主观玩家体验。
• 解决在不同游戏中创建高效、可重用且可比较的自适应人工智能系统所面临的挑战。
• 验证形式化、通用的玩家模型是否能提升自适应人工智能在游戏中的效能与可行性。
• 通过形式化规范方法，将心理学理论与计算智能相结合，实现玩家建模。
• 通过统一、形式化的框架，实现跨游戏比较与自适应人工智能的系统性评估。

提出的方法

• 提出一种基于范畴论的形式化规范，用于通用玩家模型，以实现对游戏适应性变化的严格比较。
• 将现有的行为模块方法——将心理特质映射为游戏中的复合动作序列——整合进一个形式化模型框架中。
• 利用形式化模型定义自适应人工智能的约束与输入，确保逻辑一致性与以玩家为中心的适应。
• 通过在多个自适应人工智能条件下对测试游戏（如第一人称射击游戏）进行迭代仿真与实机测试，评估模型性能。
• 采用基于仿真的抽象游戏比较方法，评估日益复杂的适应性变化，尤其在人工测试变得不可行时。
• 结合心理画像与领域特定特征，生成数据驱动、理论指导的玩家表征，以支持机器学习的整合。

实验结果

研究问题

• RQ1 一个整合了玩家心理学、游戏结构与行为模式的通用玩家模型，其必要且充分的基础是什么？
• RQ2 这样的基础是否能提升基于计算智能的玩家模型在实时环境中的性能？
• RQ3 一个通用玩家模型是否能增强自适应人工智能在游戏中的有效性与可行性，特别是在复杂、动态的环境中？

主要发现

• 基于行为模块的形式化通用玩家模型，能够在不同游戏中一致且可组合地表示玩家行为。
• 将心理学理论与形式化规范相结合，可对自适应人工智能施加逻辑约束，从而提升其可靠性与一致性。
• 当玩家模型被形式化规范后，游戏适应性的仿真比较变得可行且系统化，尤其在大规模场景下。
• 该方法支持对日益复杂的自适应人工智能系统进行迭代评估，其复杂度阈值已超越人工测试的极限，通过形式化分析实现突破。
• 该方法通过结构化、可重复的评估方式验证了自适应人工智能，证明玩家画像能显著提升人工智能的适应性与性能。
• 未来工作表明，将行为模块与形式化方法结合，可实现通用、可重用且可分析的自适应游戏系统开发。