AI辅助在独立游戏开发中的“踩坑”经验——《玩具帝国》
输入“/”快速插入内容
AI辅助在独立游戏开发中的“踩坑”经验——《玩具帝国》
AI辅助在独立游戏开发中的“踩坑”经验——《玩具帝国》
用户4392用户4392用户5272用户52722023年11月24日修改
本文授权转载自HkingAuditore的原创文章《AI辅助在独立游戏开发中的“踩坑”经验》，未经授权禁止搬运
先说背景，《玩具帝国》是一个玩法决策复杂、画风独特性强的策略游戏。
一、ml-agent
《玩具帝国》的人机AI采用的是Unity的ml-agent，通过强化学习训练能够进行长周期复杂决策的人机AI。原来写决策树很痛苦，现在可以直接挂机炼丹。
为什么选择自己开发ai?
没有选用调动ChatGPT之类线上接口的原因有很多，首先这是人机AI是在离线游戏模式使用的，而且对决策的实时性有要求，因此不可能接受连入一个线上的接口。而且《玩具帝国》需要兼容低配置甚至移动平台，所以对这个本地AI运行的性能也有很高的要求。
ml-agent里给的实例都算是比较简单的决策问题，一次任务的周期也很短，《玩具帝国》的就比较长，决策也很复杂，所以我们使用了“即时奖励”和“预测奖励”进行长周期决策AI的训练。因为数学模型是可调的，所以AI依然可控，只需要根据通过简单的参数调整，就可以改变AI的决策倾向。
推公式还是要一步步推的，希望以后有个AI帮我把这部分工作也做了。
为了让每次输入的向量等长，在观察时，场上的三条路被分成了许多块，在每一块上，统计在其上单位的平均数值或求和，最后加上单独的数值，组合得到完整的向量。