• 인터넷정보학회논문지
• /
• 제8권5호
• /
• pp.91-97
• /
• 2007

과거에는 게임프로그램 제작이 단순히 3D, 온라인게임, 엔진프로그래밍 또는 게임프로그래밍으로 분류하여 제작하였다. 그러나 이제는 게임프로그래밍의 종류가 세분화되었고, 기존에 없던 인공지능 게임프로그래머의 역할이 게임을 좀 더 재미있게 할 수 있는 시점이라 하겠다. 본 논문에서는 강화학습 알고리즘을 이용하여, 보상 값을 받아 게임캐릭터가 학습하여 지능적인 움직임을 나타나게 하였다. 구현된 게임캐릭터가 지능적으로 잘 움직이는지 확인하기 위해, 슈팅게임을 제작하여 적 캐릭터와 전투를 하게 하였다. 실험결과 임의로 움직이는 캐릭터보다 월등히 방어함을 알 수 있었다.

• 정보처리학회논문지B
• /
• 제11B권7호
• /
• pp.831-840
• /
• 2004

본 논문에서는 신경망 기반의 지능형 게임 캐릭터를 구현하는 방법을 제안한다. 지능 캐릭터를 구현하는 신경망은 상대방 캐릭터의 행동과 상대방 캐릭터와의 거리를 입력받아 지능 캐릭터의 행동을 결정하여 출력한다 신경망은 두 캐릭터들의 행동으로 인한 점수를 강화 값으로 사용하여 강화 학습된다. 제안한 방법의 효용성을 보이기 위해서 간단한 대전 액션 게임을 구현하고 그 환경에서 여러 가지 실험을 수행하였다. 실험 견과 제안한 지능형 캐릭터가 게임의 규칙을 잘 학습할 수 있음을 보였다. 제안된 방법은 대전 게임뿐만 아니라 대규모 온라인 게임상의 캐릭터 구현에도 적용될 수 있다.

• 전자공학회논문지CI
• /
• 제41권6호
• /
• pp.69-80
• /
• 2004

본 논문에서는 일반적인 대전 액션 게임에서 신경망을 이용하여 구현한 지능 캐릭터가 상대방 캐릭터의 행동 패턴을 학습하는 방법을 제안한다. 상대방 캐릭터의 행동 패턴을 학습하기 위하여 상대방 캐릭터의 현재 행동은 물론 과거 행동도 입력받아 학습하게 함으로써, 행동 패턴을 학습하지 않은 경우보다 더 적절한 대응이 가능해진다. 상대방 캐릭터의 행동 패턴의 학습과 더불어 행동의 적절성을 판단하기 어려운 이동에 대한 학습 방법도 제시한다. 제안한 알고리즘의 성능을 평가하기 위하여 실제 게임과 매우 유사한 게임 환경에서 네 가지 행동 패턴을 이용하여 실험하였다. 실험 결과, 모든 행동 패턴에 대하여 지능 캐릭터가 최적 행동을 학습했고, 또한 무작위로 행동하는 캐릭터에 대해서도 이전 방법보다 우수한 성능을 보였다. 이와 같은 결과는 제안한 방법이 상대방 캐릭터의 행동 패턴을 적절히 학습하여 대응할 수 있음을 보여준다. 제안한 알고리즘은 온라인게임과 같이 캐릭터들이 서로 대결하는 게임들에 쉽게 응용될 수 있다.

• 한국지능시스템학회논문지
• /
• 제14권4호
• /
• pp.383-389
• /
• 2004

본 논문에서는 신경망을 이용하여 대전 액션 게임의 캐릭터들을 지능화하는 방법을 제안한다. 일반적인 대전 액션 게임에서 어떤 행동은 여러 개의 시간 단위에 걸쳐 이루어진다. 그러므로 캐릭터의 어떤 행동에 대한 결과는 곧바로 나타나지 않고 몇 개의 시간 단위가 지난 후에 나타난다. 이러한 캐릭터들에 적합한 신경망을 설계하기 위해서는 신경망을 학습시키는 시점을 결정하는 것과 더불어 학습 시에 사용되는 입력과 출력 값을 선정하는 것이 매우 중요하다. 본 논문에서는 캐릭터의 행동의 적합도를 게임 점수의 변화로 평가한다. 그러므로 게임 점수의 변화가 생길 때마다 신경망은 학습된다. 학습을 위해서는 우선 그 변화를 야기한 이전의 결정을 파악하고, 그 당시의 입력값, 출력값, 그리고 현재의 점수의 변화를 이용하여 신경망을 학습시킨다. 제안된 알고리즘의 성능을 평가하기 위하여 여러 실험을 간단한 (하지만 실제 게임과 매우 유사한) 게임 환경에서 수행하였다. 실험 결과 학습 초기에는 무작위의 캐릭터에 대해 점수를 획득하지 못하던 지능 캐릭터가 제안된 알고리즘으로 학습하면 최대 3.6 배의 점수를 획득하는 성능을 보였다. 그러므로 제안된 지능 캐릭터가 게임의 규칙과 기술을 학습하는 능력이 있는 것으로 결론지을 수 있다. 제안된 알고리즘은 온라인 게임과 같이 캐릭터들이 서로 대결하는 게임들에 적용할 수 있다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2019년도 추계학술발표대회
• /
• pp.990-993
• /
• 2019

인공지능(AI)은 최근 다양한 산업과 사회에서 패러다임을 바꾸고 있지만, 최첨단 AI 가 제조업에서는 즉각적인 성과를 보이지 못 하고 있다. 다시 말해, Industry 4.0 시점에서 기존의 접근 방법과 차별화되는 실용적인 방법론이 필요하다. 여기서 중요한 점은 '어떤' 데이터를 '어떻게' 활용하여 '어느' 부분에 적용할 것 인가이다. 제조업은 게임과 같이 가상의 캐릭터가 하나의 객체 단위로 구동되는 것이 아니라 수많은 하드웨어가 물리적으로 조합되어 연동한다. 따라서, 현실 세계에서는 물리적 마모, 고장 등으로 인해 엔지니어의 개입 없이 수천만 번 이상의 반복 학습이 불가능하다. 또, 제조업은 학습을 위한 방대한 양의 데이터를 수집하고 레이블링 하는 것이 매우 어렵다. 이 두 가지 한계를 극복할 수 있는 방법은 현실과 매우 유사한 환경을 시뮬레이션으로 재연 후 강화 학습을 사용하는 것이다. 제조 분야에서 아주 복잡한 환경 중 하나로 이송 설비가 있으며, 본 논문에서는 그리드 분류 시스템을 개발하고 강화 학습을 적용시킬 수 있는 환경을 설계한다.