Разработчики: Махмудов З.Х.
В современных играх важным является не только техническое совершенство, но и эмоциональная вовлеченность, которую можно достичь через ощущение реального соперничества. Не зря самыми популярными играми являются именно многопользовательские проекты, где живые соперники создают уникальную динамику и стимулируют игроков к постоянному совершенствованию своих навыков. Использование искусственного интеллекта, способного имитировать человеческое поведение, позволяет значительно повысить уровень взаимодействия и интереса к игре.
Целью данной работы является вернуть ощущение соперничества и создать впечатление, что игрок сражается с реальным человеком, а не просто накапливает очки. Для достижения этой цели предлагается использовать методы машинного обучения, которые способны создавать интеллектуальный искусственный интеллект с человеческими характеристиками.
Использование методов машинного обучения для разработки игрового ИИ предлагает новые возможности. Особенность методов ML в том, что они могут адаптироваться и обучаться на основе данных о реальных игровых процессах. Это позволяет создать противника, который будет вести себя не как запрограммированный робот, а как человек со своими особенностями: непредсказуемыми движениями, небольшими ошибками, задержками в реакции и даже некоторой нервозностью.
Выбранные технологии и инструменты оказались весьма удачными, так как Unity и ML-Agents предоставляют мощные возможности для создания и тренировки агентов, а Python, благодаря своей простоте и обширной библиотеке инструментов для машинного обучения, обеспечил эффективное построение моделей ИИ. Выбранные подходы позволили достичь высоких результатов в обучении агентов, обеспечивая их адаптивность и реалистичное поведение в различных игровых сценариях.
Использование Unity в связке с ML-Agents и Python позволило легко интегрировать модели машинного обучения в игровую среду, обеспечивая быстрое развертывание и тестирование. Это также способствует тому, что разработанная система может быть легко адаптирована для использования в других проектах, обеспечивая высокую переносимость и повторное использование компонентов.
Результаты тестирования показали, что агенты демонстрируют ожидаемое поведение, адаптируясь к игровым условиям и улучшая свои стратегии на основе полученных данных. Различные комбинации настроек обучения позволили детально проанализировать их влияние на поведение агентов, что помогло оптимизировать процесс обучения.
Данная система значительно упростила процесс разработки и тестирования игрового ИИ, обеспечив структурированную и систематизированную работу. Это позволило сосредоточиться на улучшении игрового процесса и повышении качества взаимодействия с пользователем. В результате, созданная игра предоставляет более реалистичный и увлекательный игровой опыт, где ИИ агенты успешно имитируют поведение реальных игроков, создавая уникальные и динамичные игровые ситуации.
