[论文解读] Feasibility Study: Moving Non-Homogeneous Teams in Congested Video Game Environments

Hang Ma, Jingxing Yang+3 more|arXiv (Cornell University)|Oct 4, 2017

Robotic Path Planning Algorithms参考文献 15被引用 34

一句话总结

本文提出使用冲突-最小费用最大流（CBM）这一最先进的最优TAPF算法，以实现在拥挤视频游戏环境中非同质化智能体团队的实时、无碰撞移动。该方法每12个时间步动态重新规划路径，每次调用的平均求解时间低于0.2秒，证明了在保持队形和动态目标更新条件下实现实时游戏的可行性。

ABSTRACT

Multi-agent path finding (MAPF) is a well-studied problem in artificial intelligence, where one needs to find collision-free paths for agents with given start and goal locations. In video games, agents of different types often form teams. In this paper, we demonstrate the usefulness of MAPF algorithms from artificial intelligence for moving such non-homogeneous teams in congested video game environments.

研究动机与目标

• 解决在拥挤、动态的视频游戏环境中，由不同类型的智能体（如战士、盗贼和法师）组成的非同质化团队移动的挑战。
• 实现实时路径规划并支持在所有智能体到达先前目标前的动态目标更新。
• 在允许同类型智能体互换目标位置的前提下，保持无碰撞移动，以模拟真实的团队协作游戏机制。
• 评估使用最优TAPF算法（如CBM）在视频游戏场景中实现实时性能的可行性。
• 为未来结合群体方法与CBM的长距离队形保持及动态适应系统奠定基础。

提出的方法

• 使用基于冲突的最小费用最大流（CBM），一种两级最优TAPF算法，实现实时无碰撞路径求解。
• 在底层采用时间扩展网络和最小费用最大流公式，以在约束条件下计算路径。
• 在顶层对冲突树执行最佳优先搜索，以解决组间智能体之间的冲突。
• 每4、8或12个时间步使用玩家指定的新目标位置重新规划路径。
• 移动动作的代价设为1，等待动作的代价设为0，并对组间碰撞施加高额惩罚，以提高效率。
• 使用以智能体为中心的30×30单元规划窗口，根据目标方向和环境约束进行自适应调整。

实验结果

研究问题

• RQ1 像CBM这样的最优TAPF算法能否在具有动态目标更新的实时视频游戏环境中有效应用？
• RQ2 CBM在拥挤、复杂地图中为非同质化团队计算无碰撞路径的效率如何？
• RQ3 在动态目标变化下重新规划的性能开销如何？能否维持实时运行？
• RQ4 不同的目标模式宽度和更新频率如何影响完成时间（makespan）和规划时间？
• RQ5 尽管在拥堵区域出现临时干扰，CBM能否在动态环境中维持类似队形的行为？

主要发现

• 对于wide-12配置，CBM的平均求解时间达到0.153秒/次，远低于实时可行性阈值。
• 在所有配置中，完成时间保持稳定，narrow-12为156个时间步，wide-12为184个时间步，表明路径规划效率高。
• 随着更新间隔延长，CBM调用次数减少，从wide-4的50次降至wide-12的14次，表明其在更新频率上具有可扩展性。
• 在所有配置中，CBM单次调用的平均运行时间均低于0.202秒，证实了实现实时性能的潜力。
• 系统成功实现了对10名智能体（3种不同类型：战士、盗贼、法师）在狭窄通道和动态目标变化下的路径规划。
• 结果表明，最优TAPF算法可有效应用于具有非同质化团队的实时视频游戏场景。