Creating Human-like AI Movement in Games Using Imitation Learning

The way characters move and behave in computer and video games are important factors in their believability, which has an impact on the player’s experience. This project explores Imitation Learning using limited amounts of data as an approach to creating human-like AI behaviour in games, and through...

Full description

Bibliographic Details
Main Author: Renman, Casper
Format: Others
Language:English
Published: KTH, Skolan för datavetenskap och kommunikation (CSC) 2017
Subjects:
ai
Online Access:http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-210887
id ndltd-UPSALLA1-oai-DiVA.org-kth-210887
record_format oai_dc
spelling ndltd-UPSALLA1-oai-DiVA.org-kth-2108872018-01-14T05:11:26ZCreating Human-like AI Movement in Games Using Imitation LearningengImitation Learning som verktyg för att skapa människolik rörelse för AI-karaktärer i spelRenman, CasperKTH, Skolan för datavetenskap och kommunikation (CSC)2017imitation learninggamesaiartificial intelligencehumanhuman-likeunpredictable aicopy synthesisperformanceunityComputer and Information SciencesData- och informationsvetenskapThe way characters move and behave in computer and video games are important factors in their believability, which has an impact on the player’s experience. This project explores Imitation Learning using limited amounts of data as an approach to creating human-like AI behaviour in games, and through a user study investigates what factors determine if a character is human-like, when observed through the characters first-person perspective. The idea is to create or shape AI behaviour by recording one's own actions. The implemented framework uses a Nearest Neighbour algorithm with a KD-tree as the policy which maps a state to an action. Results showed that the chosen approach was able to create human-like AI behaviour while respecting the performance constraints of a modern 3D game. Sättet karaktärer rör sig och beter sig på i dator- och tvspel är viktiga faktoreri deras trovärdighet, som i sin tur har en inverkan på spelarens upplevelse. Det här projektet utforskar Imitation Learning med begränsad mängd data som etttillvägagångssätt för att skapa människolik rörelse för AI-karaktärer i spel, ochutforskar genom en användarstudie vilka faktorer som avgör om en karaktärär människolik, när karaktären observeras genom dess förstapersonsperspektiv. Iden är att skapa eller forma AI-beteende genom att spela in sina egna handlingar. Det implementerade ramverket använder en Nearest Neighbour-algoritmmed ett KD-tree som den policy som kopplar ett tillstånd till en handling. Resultatenvisade att det valda tillvägagångssättet lyckades skapa människolikt AI-beteende samtidigt som det respekterar beräkningskomplexitetsrestriktionersom ett modernt 3D-spel har. Student thesisinfo:eu-repo/semantics/bachelorThesistexthttp://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-210887application/pdfinfo:eu-repo/semantics/openAccess
collection NDLTD
language English
format Others
sources NDLTD
topic imitation learning
games
ai
artificial intelligence
human
human-like
unpredictable ai
copy synthesis
performance
unity
Computer and Information Sciences
Data- och informationsvetenskap
spellingShingle imitation learning
games
ai
artificial intelligence
human
human-like
unpredictable ai
copy synthesis
performance
unity
Computer and Information Sciences
Data- och informationsvetenskap
Renman, Casper
Creating Human-like AI Movement in Games Using Imitation Learning
description The way characters move and behave in computer and video games are important factors in their believability, which has an impact on the player’s experience. This project explores Imitation Learning using limited amounts of data as an approach to creating human-like AI behaviour in games, and through a user study investigates what factors determine if a character is human-like, when observed through the characters first-person perspective. The idea is to create or shape AI behaviour by recording one's own actions. The implemented framework uses a Nearest Neighbour algorithm with a KD-tree as the policy which maps a state to an action. Results showed that the chosen approach was able to create human-like AI behaviour while respecting the performance constraints of a modern 3D game. === Sättet karaktärer rör sig och beter sig på i dator- och tvspel är viktiga faktoreri deras trovärdighet, som i sin tur har en inverkan på spelarens upplevelse. Det här projektet utforskar Imitation Learning med begränsad mängd data som etttillvägagångssätt för att skapa människolik rörelse för AI-karaktärer i spel, ochutforskar genom en användarstudie vilka faktorer som avgör om en karaktärär människolik, när karaktären observeras genom dess förstapersonsperspektiv. Iden är att skapa eller forma AI-beteende genom att spela in sina egna handlingar. Det implementerade ramverket använder en Nearest Neighbour-algoritmmed ett KD-tree som den policy som kopplar ett tillstånd till en handling. Resultatenvisade att det valda tillvägagångssättet lyckades skapa människolikt AI-beteende samtidigt som det respekterar beräkningskomplexitetsrestriktionersom ett modernt 3D-spel har.
author Renman, Casper
author_facet Renman, Casper
author_sort Renman, Casper
title Creating Human-like AI Movement in Games Using Imitation Learning
title_short Creating Human-like AI Movement in Games Using Imitation Learning
title_full Creating Human-like AI Movement in Games Using Imitation Learning
title_fullStr Creating Human-like AI Movement in Games Using Imitation Learning
title_full_unstemmed Creating Human-like AI Movement in Games Using Imitation Learning
title_sort creating human-like ai movement in games using imitation learning
publisher KTH, Skolan för datavetenskap och kommunikation (CSC)
publishDate 2017
url http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-210887
work_keys_str_mv AT renmancasper creatinghumanlikeaimovementingamesusingimitationlearning
AT renmancasper imitationlearningsomverktygforattskapamanniskolikrorelseforaikaraktarerispel
_version_ 1718609781240889344