GAKI

03 Game AI Basics

Yannik Brändle - WS25/26

TH Bingen

Vorab:

  • Abgabe GDD im OLAT
  • Vorlesung ab jetzt immer im 1-312
  • Potentiell anderer Rechnerraum für Übung

Ziel der Vorlesung

  • Grobe Übersicht über KI Systeme
    • Regelbasiert KI
    • FSM (Finite State Machine)
    • Behaviour Trees
    • Utility AI (+ infinite Axis AI)
    • Goal-Oriented Action Planning (GOAP)
    • Hierachical task network (HTN)
    • Machine Learning
  • Typische KI Komponenten
    • Sensing
    • Raycasts
    • Pathfinding
    • Steering behaviours

Regelbasierte KI

  • Simpel und Logik gesteuert
  • Klassisch "einfach nur IF/THEN/ELSE"
  • Beispiel in E01-PONG
    1. Wenn ball.pos.y > paddle.pos.y then move y+
    2. (Prediction) Wenn ziel.pos.y > paddle.pos.y then move y+
  • Regelbasierte KI's können beliebig Komplex werden

Finite State Machine (FSM)

  • Hat definierte Verhalten für jeden "State"
  • Jeder State hat definierte Verhalten hintendran
  • Zwischen den States gibt es mögliche Transitions

Beispiel Simple Chaser FSM

            extends CharacterBody2D

const SPEED = 150

var current_state: Callable = idle
var target: Node2D = null
@onready var home: Vector2 = global_position

func _physics_process(_delta: float) -> void:
	current_state.call()

func idle() -> void:
	pass
	
func chasing() -> void:
	look_at(target.global_position)
	velocity = transform.x * SPEED
	move_and_slide()
	
func return_home() -> void:
	look_at(home)
	velocity = transform.x * SPEED
	move_and_slide()
	if global_position.distance_to(home) < 10:
		rotation = 0
		change_state(idle, "Idle")

func change_state(state: Callable, state_name: String) -> void:
	current_state = state
	$"../EnemyStateLabel".text = "Enemy State: " + state_name

func _on_vision_cone_body_entered(body: Node2D) -> void:
	target = body
	change_state(chasing, "Chasing")
	
func _on_vision_cone_body_exited(_body: Node2D) -> void:
	target = null
	change_state(return_home, "Returning Home")

Behaviour Tree

  • Ähnlichkeiten zu Finite State Machines (FSM), aber flexibler und hierarchischer
  • Sehr modular, dadurch besser wartbar bei vielen Zuständen, Übergängen und Bedingungen
  • Baumstruktur: Der Baum wird von der Wurzel aus durchlaufen, um zu bestimmen, welche Blätter (Aktionen) ausgeführt werden
  • Jedes Blatt führt typischerweise nur eine Aktion oder Abfrage aus
  • Jeder Knoten gibt SUCCESS, FAILURE oder RUNNING zurück

Beispiel mit dem Beehave Godot Plugin

Utility AI

  • Entscheidung über Nutzenwerte statt fester Regeln
  • Aktionen werden numerisch bewertet → Score
  • Höchster Score → Aktion wird ausgeführt
  • Sehr flexibel und situationsabhängig
  • Benötigt Feintuning der Gewichtungen, kann schwierig sein

Infinite Axis Utility AI

  • Erweiterung von Utility AI mit mehreren, unabhängigen Achsen
  • Jede Achse bewertet einen Aspekt des Verhaltens (z. B. Angriff, Flucht, Heilung)
  • Kombiniert Achsen zu komplexem, kontinuierlichem Verhalten
  • Erzeugt sehr natürliche Übergänge zwischen Aktionen
  • Hoher Rechen- und Balancing-Aufwand

Goal Oriented Action Planning (GOAP)

(Aus der Robotik!)

  • Planungsbasierte AI: wählt Aktionen basierend auf Zielen
  • Aktionen haben Vorbedingungen und Effekte
  • AI erstellt einen Plan, um ein Ziel zu erreichen
  • Sehr flexibel, reagiert dynamisch auf Umweltänderungen
  • Kann komplexere, langfristige Strategien generieren
  • ABER: muss bei Änderungen oft den ganzen Plan neu errechnen

Beispiel Action: Open-Door

  • Objects:
    • Door1
    • RoomA
    • RoomB
  • Preconditions:
    • (closed Door1)
    • (in RoomA)
    • (doorway Door1, RoomA, RoomB)
  • Effect:
    • (open Door1)
    • (not (closed Door1))

Beispiel Plan:

  • Move to Room 1
  • Move To Door1
  • Open Door1
  • Move to Room 2
  • Aim at Player
  • Attack Player

HTN Planning

  • Auch ein Planning ansatz
  • Anderer Planungsalgorithmus
  • Statt flacher Aktionsliste hat HTN eine hierarchische Struktur
  • Vorteil: wiederverwendbare Pläne, gut für längerfristige/komplexe Ziele

Machine Learning

  • Zwei Hauptanwendungen in Spielen:
    • Vortrainiert für starkes/gutes Verhalten
    • "Live" im Spiel trainieren um eine Lernende KI zu haben
  • Öfters angewandt für Forschung (OpenAI Five, DeepmindSC2, ...)
  • Fast immer Reinforcement Learning
  • (dadurch oft Proximal Policy Optimization (PPO))

Reinforcement Learning - Zusammengefasst

  • Ein Agent probiert erstmal zufällig aktionen aus
  • Dabei wird er belohnt (oder bestraft)
  • Schritt für Schritt lernt er dazu: Er passt sein Neuronales Netz an dass er die Aktionen ausführt die zur höchsten künftigen Belohnung führen
  • Oft werden hier parallel viele gleichzeitig trainiert
  • Braucht viel Rechenzeit da sehr viel unbeholfen ausprobiert wird
  • Lernt dafür organisch eigene Verhalten

Menschlicher Spieler bei "Leberkäß"

KI in Trainingsbox - untrainiert

KI in Trainingsbox - trainiert

Trainingsgraph

PPO Library: Godot RL Agents

  • Für die Demo verwendete Library:
    • Godot RL Agents von EdBeeching
    • Ursprünglich ein Workshop Paper
    • Edbeeching arbeitet bei Huggingface
    • Library nutzt http socket um mit python zu kommunizieren wo das training und inference stattfindet
    • Trainierte KIs können in Godot einfach mit C# via einem ONNX NuGet Package ausgeführt werden

Typische KI Komponenten

Sensing

  • Viele Möglichkeiten "Sinne" abzubilden
  • Oft werden direkt positionen ausgelesen und distanzen so berechnet
  • Gut funktionieren Area2D bzw Area3D um ein Sichtfeld zu simulieren
  • (→ bei body_entered wird sich das gemerkt und bei body_exited wieder "vergessen")
  • Geräusche werden oft auch nur via simple distanz zur Geräuschquelle bestimmt

Raycasts

  • Ein Raycast ist wie ein Laserpointer
    • "unendlich" dünn und geht von Punkt A zu Punkt B
    • Kann entweder kollidieren und stoppen, oder bis zur maximaldistanz schießen
  • Sehr grundlegendes Tool in den meisten Physicslibraries
  • Kann bspw. dazu eingesetzt werden ob Sichtlinie zum Spieler besteht (Raycast zur Spielerposition, trifft das zuerst die Wand oder den Spieler?)

Shapecasts

  • Ähnlich zu Raycasts, aber stattdessen wird eine Shape den Raycast entlang "geschoben"
  • Shape wird idR jede X Distanz geprüft um möglichst viel abzudecken
  • Seltene Prüfung, da sehr rechenintensiv und meistens "gut genug"

Oben Raycast, unten Shapecast mit Circleshape

Pathfinding

Pathfinding

Dijkstra (Breadth-first-search)

A* (Dijkstra mit Heuristik)

A* im Details
    • f(n) = g(n) + h(n) → geschätzte Gesamtkosten
    • g(n) → Kosten vom Startknoten
    • h(n) → Heuristik: geschätzte Kosten zum Ziel
    • Offene Liste → zu bewertende Knoten
    • Geschlossene Liste → bereits bewertete Knoten
    • Heuristik-Regeln:
      • Muss zulässig sein (überschätzt niemals)
      • Oft Manhattan für Gitter, euklidisch für kontinuierlichen Raum

    Obstacle Avoidance: Artificial Potential Field

    Godot NavigationAgent2D