Konsep Teknik Pembangunan Game AI

Movement
Salah satu persyaratan paling mendasar dari kecerdasan buatan adalah untuk memindahkan
karakter dalam permainan secara bijaksana. Karakter terkontrol pada kecerdasan buatan awal
(misalnya, hantu di Pac-Man, atau kelelawar yang berlawanan dalam beberapa varian Pong) memiliki
algoritma movement yang tidak jauh dari permainan pada saat ini. Movement membentuk tingkat
terendah dari teknik Kecerdasan Buatan dalam model yang ditunjukkan pada Gambar di bawah ini.

Banyak game, termasuk beberapa dengan kecerdasan buatan yang cukup layak, hanya
mengandalkan algoritma movement dan tidak memiliki pengambilan keputusan yang lebih maju. Di sisi
lain, beberapa permainan sama sekali tidak membutuhkan karakter yang bergerak. Resources
management games dan turn-based games sering tidak membutuhkan algoritma movement. Begitu
suatu keputusan dibuat di suatu tempat untuk dilakukan, karakter dapat dengan mudah ditempatkan
pada tujuannya.

Ada beberapa tingkat overlap antara kecerdasan buatan dan animasi. Movement skala besar seperti
pergerakan karakter pada level game, bukan pergerakan anggota badan atau wajah. Namun, garis
pemisah tersebut tidak selalu jelas. Dalam banyak game, animasi dapat mengendalikan karakter,
termasuk beberapa gerakan berskala besar.
Pathfinding
Karakter permainan biasanya perlu bergerak di sekitar level mereka. Kadang-kadang gerakan ini
diatur oleh para developers, seperti rute patroli yang dapat diikuti oleh penjaga secara bebas atau
wilayah berpagar kecil di mana anjing dapat berkeliaran secara acak. Rute tetap mudah diterapkan,
tetapi dapat dengan mudah dikelabui jika suatu objek didorong diperjalanannya.
Karakter yang lebih kompleks tidak tahu sebelumnya kemana mereka harus berpindah. Satu unit
dalam realtime strategy game dapat diperintahkan ke titik mana saja di peta oleh pemain kapan saja,
seorang penjaga patroli dalam stealth game mungkin perlu pindah ke titik alarm terdekat untuk
meminta bala bantuan, dan permainan platform mungkin membutuhkan lawan untuk mengejar pemain
melintasi jurang menggunakan platform yang tersedia.
Pada masing-masing karakter ini, hampir semua dapat menghitung rute yang sesuai melalui
level game untuk mencapai dari sekarang menuju tujuannya. Rute yang diinginkan adalah yang masuk
akal dan sesingkat atau secepat mungkin (tidak terlihat pintar jika karakter Anda berjalan dari dapur ke
lounge melalui loteng). Hal ini adalah pathfinding, kadang-kadang disebut sebagai perencanaan jalur dan
hal ini terdapat dalam game kecerdasan buatan.

Dalam model game kecerdasan buatan, pathfinding berada di perbatasan antara decision
making dan movement. Seringkali, hal ini digunakan hanya untuk mengetahui di mana harus bergerak
untuk mencapai tujuan. Tujuannya tersebut ditentukan oleh bagian lain dari kecerdasan, dan pathfinder
hanya mengetahui cara untuk sampai ke sana. Untuk mencapai hal tersebut, dapat ditanamkan dalam
movement control system sehingga hanya dipanggil ketika diperlukan untuk merencanakan rute. Tetapi
pathfinding juga dapat ditempatkan di kursi pengemudi, membuat keputusan tentang ke mana harus
berpindah dan bagaimana menuju ke sana.
 Sebagian besar game menggunakan solusi pathfinding berdasarkan algoritma yang
disebut A *. Meskipun efisien dan mudah diterapkan, algoritma A * tidak dapat bekerja secara
langsung dengan data level game. Hal ini mensyaratkan bahwa level permainan diwakili dalam
struktur data tertentu: grafik tertimbang non-negatif yang diarahkan. Algoritma Dijkstra adalah
algoritma yang lebih tua dari algoritma A *.

Decision Making
Sebagian besar game menggunakan sistem decision making yang sangat sederhana:,
seperti state machines dan decision trees. Sistem berbasis aturan lebih jarang ada tetapi
merupakan hal yang penting. Dalam beberapa tahun terakhir banyak minat telah ditunjukkan
dalam alat pengambilan keputusan yang lebih canggih, seperti fuzzy logic dan neural networks.
Decision making adalah komponen tengah dari model kecerdasan buatan.

Meskipun ada banyak teknik pengambilan keputusan yang berbeda, tetapi dapat
terlihat semuanya sebagai tindakan dengan cara yang sama. Karakter memproses serangkaian
informasi yang digunakannya untuk menghasilkan tindakan yang ingin dilakukan. Input ke
sistem decision making adalah pengetahuan yang dimiliki karakter dan outputnya adalah
permintaan action. Pengetahuan tersebut dapat lebih lanjut dipecah menjadi pengetahuan
eksternal dan internal. Pengetahuan eksternal adalah informasi yang diketahui oleh seorang
karakter tentang lingkungan permainan di sekitarnya, seperti posisi karakter lain, tata letak
level, arah dari mana suara berasal, dan sebagainya. Pengetahuan internal adalah informasi
tentang keadaan internal karakter atau proses berpikir, seperti kesehatannya, tujuan akhirnya,
apa yang dilakukannya beberapa detik yang lalu, dan sebagainya.

Skema decision making :

Actions dapat memiliki dua komponen: dapat meminta tindakan yang akan mengubah
keadaan eksternal karakter (seperti melempar saklar, menembakkan senjata, pindah ke kamar)
atau tindakan yang hanya mempengaruhi keadaan internal. Perubahan pada kondisi internal
mugkin berhubungan dengan mengubah opini karakter pemain, mengubah keadaan emosinya,
atau mengubah tujuan utamanya. Sekali lagi, algoritma biasanya memiliki tindakan internal
sebagai bagian dari susunannya, sementara tindakan eksternal dapat dihasilkan dalam bentuk
yang identik untuk setiap algoritma.
Format dan kuantitas pengetahuan tergantung pada persyaratan game. Representasi
pengetahuan secara intrinsik terkait dengan sebagian besar algoritma decision making. Sulit
untuk sepenuhnya umum dengan representasi pengetahuan, meskipun akan dipertimbangkan
beberapa mekanisme yang dapat diterapkan secara luas. Pada sisi lain, actions dapat
diperlakukan lebih konsisten.
Tactical and Strategic AI

Teknik decision making memiliki dua batasan penting, yaitu dimaksudkan untuk
digunakan oleh satu karakter dan tidak mencoba menyimpulkan dari pengetahuan bahwa
memiliki prediksi untuk seluruh situasi. Masing-masing batasan ini secara luas berada dalam
kategori taktik dan strategi. Tidak semua bagian pada model kecerdasan buatan diperlukan
pada setiap permainan. Tactical dan strategic kecerdasan buatan, khususnya, sama sekali tidak
diperlukan dalam banyak genre game. Di mana pemain berharap untuk melihat perilaku yang
dapat diprediksi (misalnya dalam penembak [2D] dua dimensi atau platform game), itu mungkin
hanya membuat mereka frustrasi untuk menghadapi perilaku yang lebih kompleks. Melihat
perkembangan yang dibuat dalam game kecerdasan buatan, terlihat jelas bahwa tactical dan
strategic kecerdasan buatan akan menjadi salah satu bidang utama.

Analisis tactical dari semua jenis terkadang dikenal sebagai influence maps. Influence
maps adalah teknik yang dipelopori dan diterapkan secara luas dalam permainan real-time
strategy, di mana kecerdasan buatan melacak area pengaruh militer untuk kedua belah pihak.
Teknik serupa juga telah membuat terobosan menjadi squad-based shooters dan permainan
massivelymulti-player.
Dalam simulasi militer, pendekatan yang hampir sama biasanya disebut terrain analysis
(frasa yang juga digunakan dalam game kecerdasan buatan). Tidak ada banyak perbedaan
antara pendekatan tactical waypoint dan tactical analysis. Masalah teknisnya berbeda
tergantung pada genre permainan yang diterapkan. Teori umumnya sangat mirip, namun,
kendala dalam beberapa permainan (khususnya penembak) berarti bahwa menerapkan kedua
pendekatan tersebut akan memberikan struktur yang hampir sama.