• Smart Media Journal
• /
• v.13 no.2
• /
• pp.32-43
• /
• 2024

Game agents which are behavioral agent for game playing are a crucial component of game satisfaction. However it takes a lot of time and effort to create game agents for various game levels, environments, and players. In addition, when the game environment changes such as adding contents or updating characters, new game agents need to be developed and the development difficulty gradually increases. And it is important to have a game agent that can be customized for different levels of players. This is because a game agent that can play games of various levels is more useful and can increase the satisfaction of more players than a high-level game agent. In this paper, we propose a method for learning and controlling the level of play of game agents that can be rapidly developed and fine-tuned for various game environments and changes. At this time, reinforcement learning applies a policy-based distributed reinforcement learning method IMPALA for flexible processing and fast learning of various behavioral structures. Once reinforcement learning is complete, we choose actions by sampling based on Softmax-Temperature method. From this result, we show that the game agent's play level decreases as the Temperature value increases. This shows that it is possible to easily control the play level.

• Proceedings of the Korean Information Science Society Conference
• /
• 2005.11b
• /
• pp.712-714
• /
• 2005

최근에 PC기반의 온라인 게임과 유무선 연동이 가능한 유비쿼터스 게임기의 개발이 활발하게 이뤄지고 있다. 본 논문은 단순히 연동이 가능한 환경에서 더 나아가 지능적이고 효율적인 게임 서비스를 제공하기 위하여 지능형 멀티 에이전트 시스템과 효율적인 자원 관리 시스템을 제안한다. 유비쿼터스 컴퓨팅 환경에서 지능형 에이전트는 사용자의 주변 환경을 인식하고 사용자의 목적에 적합한 행위를 자율적으로 선택하여 제공할 수 있어야 한다. 또한 메모리 용량이 협소한 자원 관리 시스템을 보완하여 내부의 메모리 공간을 최적의 상태로 유지할 수 있어야 한다.

• Proceedings of the Korea Inteligent Information System Society Conference
• /
• 2007.11a
• /
• pp.294-302
• /
• 2007

멀티 에이전트 강화학습에서 중요한 이슈 중의 하나는 자신의 성능에 영향을 미칠 수 있는 다른 에이전트들이 존재하는 동적 환경에서 어떻게 최적의 행동 정책을 학습하느냐 하는 것이다. 멀티 에이전트 강화 학습을 위한 기존 연구들은 대부분 단일 에이전트 강화 학습기법들을 큰 변화 없이 그대로 적용하거나 비록 다른 에이전트에 관한 별도의 모델을 이용하더라도 현실적이지 못한 가정들을 요구한다. 본 논문에서는 상대 에이전트에 대한RBFN기반의 행동 정책 모델을 소개한 뒤, 이것을 이용한 강화 학습 방법을 설명한다. 본 논문에서는 제안하는 멀티 에이전트 강화학습 방법은 기존의 멀티 에이전트 강화 학습 연구들과는 달리 상대 에이전트의 Q 평가 함수 모델이 아니라 RBFN 기반의 행동 정책 모델을 학습한다. 또한, 표현력은 풍부하나 학습에 시간과 노력이 많이 요구되는 유한 상태 오토마타나 마코프 체인과 같은 행동 정책 모델들에 비해 비교적 간단한 형태의 행동 정책 모델을 이용함으로써 학습의 효율성을 높였다. 본 논문에서는 대표적이 절대적 멀티 에이전트 환경인 고양이와 쥐 게임을 소개한 뒤, 이 게임을 테스트 베드 삼아 실험들을 전개함으로써 제안하는 RBFN 기반의 정책 모델의 효과를 분석해본다.

• Journal of Korea Game Society
• /
• v.19 no.6
• /
• pp.61-70
• /
• 2019

In this paper, we apply reinforcement learning in the field of management simulation game to check whether game agents achieve autonomously given goal. In this system, we apply PPO (Proximal Policy Optimization) algorithm in the Unity Machine Learning (ML) Agent environment and the game agent is designed to automatically find a way to play. Five game scenario simulation experiments were conducted to verify their usefulness. As a result, it was confirmed that the game agent achieves the goal through learning despite the change of environment variables in the game.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2003.05a
• /
• pp.329-332
• /
• 2003

현재의 일반적인 다중에이전트 시스템 환경은 실시간이며 복잡한 환경을 제공한다. 또한 제한적인 통신 환경을 제공한다. 본 논문의 테스트 환경인 Unreal Tournament 의 환경은 일반적인 다중 에이전트 시스템 환경을 제공한다. UT 게임의 GameBots 시스템에서 실시간 다중 에이전트 협상 시스템의 구현을 위한 ACL (Agent Communication Language) 을 정의하였으며 그에 따른 다중 에이전트 협상 프로토콜을 정의하였다. 통신 환경은 단일 채널 환경이며 제한적인 통신을 제공한다. 에이전트들은 게임 시작과 동시에 인지 정보를 기반으로 맴을 작성하게 된다. UT 게임은 환경이 실시간으로 급변하기 때문에 최단의 협상 과정을 가져야 한다. 협상 시스템의 구성은 협상 과정에서 모든 것을 정하기엔 시간이 부족하기 때문에 빠른 협상 과정을 유도하기 위하여 협상과정의 일부분을 사전에 정의함으로써 협상과정을 단순화 시켰으며, 나머지는 실시간 협상과정을 통하여 동적으로 역할 분담을 하였다 협상 방법으로는 각 에이전트의 의견이 반영될 수 있는 투표 (voting) 방법을 사용하였다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2005.11a
• /
• pp.165-168
• /
• 2005

최근 온라인 게임 시장이 커지면서 게임을 위한 필수요소로 동시 접속자를 지속적으로 확보/유지해야 하는 문제가 이슈화 되고 있다. 온라인 게임을 즐기는 유저 수는 정해져 있는 반면, 게임 컨텐츠 수는 지속적으로 증가되고 있는 상황에서 온라인 게임 시장은 전형적인 레드오션[1]의 시장형태로 변모되어 가고 있다 이러한 문제를 보완하기 위한 대안으로서 본 논문에서는 에이전트 시스템을 이용한 동시 접속자를 생성, 유지할 수 있는 솔루션에 대해서 제시한다. 이를 통해 경쟁력 있는 게임 컨텐츠가 시장 진입을 보다 원활하게 할 수 있을 것으로 기대하며, 아울러 게임 초반의 스트레스 테스트를 위한 툴로써의 활용, 게임의 라이프 사이클의 증대, 경쟁력 강화로 이어질 수 있을 것으로 기대된다

• Journal of Korea Game Society
• /
• v.9 no.5
• /
• pp.117-125
• /
• 2009

In real-time strategy simulation (RTS) game each team is composed of agents and executes strategies to win other team. Strategy needs agents' cooperation in each team. This needs multi-agent system (MAS). Centralized decision making, one of decision making in MAS, selects actions not to agents but to team by a coordinated agent. Decentralized decision making costs high because each agent communicates with each other. In this paper we propose a system which controls agents by grouping and allocates roles through negotiation by a coordinated agent. Then, when one of allocated actions is not executed or failed, a coordinated agent allocates its role to another agent. We make experiments in starcraft, famous RTS game. When a proposed method is applied, the performance of attack and defense is increased. The improved agents' team wins eight times per ten games.

• Digital Contents
• /
• no.9 s.124
• /
• pp.97-99
• /
• 2003

초기의 컴퓨터 게임은 하드웨어, 그래픽, 사운드 등의 제약때문에 인공지능에 있어서는 거의 전부가 게임 프로그래머의 단순한 하드코딩에 의존해 단순하게 처리됐다. 그러나 그래픽이나 사운드의 기능이 일정한 수준에 도달하자 게이머들은 보다 자연스럽고 재미있는 게임을 요구하게 됐으며, 이로 인해 1990년대 후반부터 인공지능 기술이 게임에서 중요한 역할을 하기 시작했다.'게임 인공지능'이란 고전적인 의미에서는 게임 내에서 컴퓨터에 의해 제어되는 캐릭터나 에이전트로 정의하기도 하지만 최근에는 좀더 구체적으로 스스로 생각할 수 있고 주변 환경이나 과거의 경험 등에 따라서 지능적으로 행동할 수 있는 자율성을 가진 캐릭터나 에이전트라고 정의하기도 한다.

• The Journal of the Korea Contents Association
• /
• v.20 no.11
• /
• pp.292-300
• /
• 2020

According to the development of artificial intelligence technology, attempts have been made to interpret phenomena in various fields of the real world such as economic, social, and scientific fields through computer simulations using virtual artificial agents. In the existing artificial agent-based bargaining game analysis, there was a problem that did not reflect the cost incurred when the stage progresses in the real-world bargaining game and the depreciation of the bargaining target over time. This study intends to observe the effect on the bargaining game by adding the cost incurred in the bargaining stage and depreciation of the bargaining target over time (bargaining cost) to the previous artificial agent-based bargaining game model. As a result of the experiment, it was observed that as the cost incurred in the bargaining stage increased, the two artificial agents participating in the game had a share close to half the ratio and tried to conclude the negotiation in the early stage.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2016.04a
• /
• pp.636-639
• /
• 2016

최근 모바일 게임에서의 인공지능과 관련된 연구가 활발히 진행되고 있다. 본 논문에서는 모바일 축구 시뮬레이션 게임에서 활용할 수 있는 인공지능 에이전트를 Hierarchical FSM 기반으로 설계하고 구현하여 실제 축구경기 결과와 비슷한 결과 도출하였다. 이러한 Hierarchical FSM을 기반으로 한 지능형 에이전트는 코드의 재활용성이 높고 개념적으로 간단하여 인공지능 에이전트를 설계 및 구현하기에 적합하다.