• 정보처리학회논문지B
• /
• 제10B권1호
• /
• pp.1-12
• /
• 2003

본 논문에서는 대표적인 3차원 일인칭 액션 게임인 Unreal Tournament 게임과 이것에 기초한 지능형 에이전트 연구용 테스트베드인 Gamebots 시스템을 소개한다. 그리고 이들이 제공하는 3차원 가상환경에서 동작하는 지능형 NPC인 KGBot의 설계와 구현에 대해 설명한다. KGBot는 Gamebots 시스템 내의 하나의 보트 클라이언트이다. KGBot는 3차원 가상환경 안에 숨겨진 목표점들을 찾아 효과적으로 점령하는 임무를 수행한다. KGBot는 범용의 BDI 에이전트 구조인 UM-PRS를 제어엔진으로 채용하고 있으며, 복잡한 행위들을 여러 계층으로 표현한 계층화된 지식베이스를 가지고 있다. 본 논문에서는 미지의 월드를 효과적으로 탐색함으로써 숨겨진 목표점들의 위치를 빨리 파악하고, 흩어져 있는 이동점들과 경로들을 찾아내어 경로 그래프를 작성하며, 이것에 기초하여 특정 목적지까지 지적의 이동 경로를 계획하는 KGBot의 지능 행위들에 대해 자세히 설명한다. 그리고 끝으로 다양한 3차원 지도를 이용한 실험을 통해 KGBot의 월드 탐색 전략과 제어엔진의 성능을 분석해본다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2003년도 춘계학술발표논문집 (상)
• /
• 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.

• 한국융합학회논문지
• /
• 제10권3호
• /
• pp.67-72
• /
• 2019

본 연구는 일주일 동안의 컴퓨터 사용시간이 몸통 근육 두께와 압력 통증 역치에 미치는 영향을 분석하였다. 33명의 대상자를 일주일에 컴퓨터를 10시간 이하(A 그룹), 10시간에서 20시간(B 그룹), 20시간 이상 사용하는 그룹(C 그룹)으로 나누어 위 등세모근, 작은가슴근, 앞 목갈비근, 중간 목갈비근의 근 두께와 위 등세모근, 작은가슴근, 앞 목갈비근, 중간 목갈비근, 어깨올림근의 압력 통증 역치를 측정하였다. 본 연구의 결과 C 그룹의 작은가슴근, 앞 목갈비근, 중간 목갈비근은 다른 그룹들의 근 두께에 비해 유의하게 증가되었고(p<.05) 위 등세모근, 앞 목갈비근, 작은가슴근, 어깨올림근의 압력통증역치는 다른 그룹들에 비해 유의하게 감소하였다(p<.05). 그러므로, 본 연구는 1주일 동안 컴퓨터를 장시간 사용하는 사람들은 장시간 컴퓨터 사용이 다양한 근골격계 질환의 원인이 될 수 있음을 인지하고 그에 따른 적절한 예방적 접근을 수행할 것을 권장한다.

• 한국지능정보시스템학회:학술대회논문집
• /
• 한국지능정보시스템학회 2007년도 추계학술대회
• /
• pp.284-293
• /
• 2007

본 논문에서는 실시간 동정 환경에 효과적인 L-CAA 에이전트 구조를 제안한다. L-CAA 에이전트 구조는 변화하는 환경에 대한 적응성을 높이기 위해, 선행 연구를 통해 개발된 행위 기반 에이전트 구조인 CAA에 강화 학습 기능을 추가하여 확장한 것이다. 안정적인 성능을 위해 L-CAA에서 행위 선택 메커니즘은 크게 두 단계로 나뉜다. 첫 번째 단계에서는 사용자가 미리 정의한 각 행위의 수행 가능 조건과 효용성을 검사함으로써 행위 라이브러리로부터 실행할 행위들을 추출한다. 하지만 첫 번째 단계에서 다수의 행위가 추출되면, 두 번째 단계에서는 강화 학습의 도움을 받아 이들 중에서 실행할 하나의 행위를 선택한다. 즉, 강화 학습을 통해 갱신된 각 행위들의 Q 함수 값을 서로 비교함으로써, 가장 큰 기대 보상 값을 가진 행위를 선택하여 실행한다. 또한 L-CAA에서는 실행 중인 행위의 유지 가능 조건을 지속적으로 검사하여 환경의 동적 변화로 인해 일부 조건이 만족되지 않는 경우가 발생하면 현재 행위의 실행을 즉시 종료할 수 있다. 그 뿐 아니라, L-CAA는 행위 실행 중에도 효용성이 더 높은 다른 행위가 발생하면 현재의 행위를 일시 정지하였다가 복귀하는 기능도 제공한다. 본 논문에서는 L-CAA 구조의 효과를 분석하기 위해, 대표적인 동적 가상환경인 Unreal Tournament 게임에서 자율적을 동작하는 L-CAA기반의 UTBot 들을 구현하고, 이들을 이용하여 성능실험을 전개해본다.