GAME Data & Artificial Intelligence

Contexte 

Les jeux de combat représentent des environnements de simulation stimulants pour de nombreux problèmes de prise de décision qui modélisent le comportement des personnages non joueurs (PNJ).

Les méthodes les plus utilisées sont basées sur des scripts, des machines d’état ou des arbres de comportement et ont été intégrées dans les moteurs de jeu  tels que Unreal Engine ou Unity.

Cependant, ces méthodes peuvent souffrir d’actions redondantes et prévisibles réduisant ainsi l’immersion du joueur. L’approche de planification d’actions permet de surmonter ces limitations. Cependant, cette dernière est connue qu’elle soit coûteuse en temps et ressources mémoire. Il s’agit donc d’un défi pour les jeux de type « brawler » en temps réel.

Sujet 

Dans cette étude, nous présentons une approche de planification hybride qui associe et combine les avantages de ces deux méthodes:

• la planification d’action orientée vers les objectifs (GOAP) et
• le réseau de tâches hiérarchiques (HTN).

L’approche proposée est évaluée par le biais d’un jeu de “combat” dynamique en arène 3D offrant un univers riche où le joueur contrôle un personnage qui contrôle une matière fluide pour attaquer des ennemis (araignées ou crabes). Le jeu peut être téléchargé ici. Les performances de notre architecture ont été analysées avec 2 situations: 

1. le joueur a un statut de vie élevé et il combat une seule araignée (figure 1);
2. le joueur est endommagé et devrait combattre 3-4 araignées (figure 2). 

Le temps d’exécution pour la première conguration est négligé alors qu’il n’est que de 0,01ms pour la seconde situation malgré son scénario défavorable (plusieurs PNJ).  Par conséquent, l’approche hybride proposée est efficace et n’affecte pas la fluidité du jeu bien qu’il s’exécute sur la console PS4.