人工智能

游戏开发中的人工智能(五):以势函数实现移动

接上文: 游戏开发中的人工智能(四):群聚

本文内容:靠势能移动在游戏 AI 程序中还算相当新颖。这个方法的最优越的地方在于可以同时处理追逐、闪躲、成群结队和避免碰撞等行为。我们专门研究的这个势函数叫做 Lenard-Jones 势函数。

势函数的优点:

1、只用一个函数处理追逐和闪躲,不再需要先前介绍过的算法所牵涉到的其他条件和控制逻辑,也可以替我们处理避开障碍物的问题

2、操作起来很简单。我们唯一要做的就是计算两个单位(此处即计算机控制的单位以及玩家)之间的驱动力,然后将该驱动力施加到计算机控制单位的前端,作为转向力。

势函数的缺点:

在游戏里的单位和对象数量增多时,一旦彼此互动起来,势函数算法将会耗用大量的CPU资源。

什么是势函数

势函数属于物理学原理,我们主要使用势函数控制游戏里单位的行为。例如,我们可以使用势函数,建立成群结队的单位,仿真群体移动,处理追逐和闪躲,以及避开障碍物问题。我们专门研究的势函数叫做Lenard-Jones势函数。

游戏开发中的人工智能(四):群聚

接上文 游戏开发中的人工智能(三):移动模式

本文内容:群聚方法是 A-life 算法的实例。 A-life 算法除了可以做出效果很好的群聚行为外,也是高级群体运动的基础。

通常在游戏中,有些非玩家角色必须群聚移动,而不是个别行动。举个例子,假设你在写角色扮演游戏,在主城镇外有一片绵羊的草地,如果你的绵羊是一整群的在吃草,而不是毫无目的的在闲逛,看起来会更真实些。

这种群体行为的核心就是基本的群聚算法,本章要详谈基本群聚算法,教你如何修改算法,用来处理诸如避开障碍物之类的情况。本章接下来将以“单位”代指组成群体的个别实体,例如:绵羊、鸟、等等。

基本群聚

基本的群聚算法来自于Craig Reynolds在1987年发表的论文《Flocks,Herds and Schools:A Distributed Behavioral Model》。在论文中,他提出基本群聚算法,用以仿真整群的鸟、鱼或其他生物。

算法的三个规则:

• 凝聚:每个单位都往其邻近单位的平均位置行动。

游戏开发中的人工智能(三):移动模式

接上文 游戏开发中的人工智能(二):追逐和闪躲

本文内容:许多游戏中经常出现固定模式的移动,比如守卫的巡逻行为,宇宙飞船的降落等。开发者可以将移动模式技术应用于特定行为的程序的编写中。

移动模式

本章主题是移动模式。移动模式是制造智能行为幻觉的简单方式。基本上,计算机控制的角色会根据一些预先定义好的模式移动,使其看起来好像是在执行复杂而绞尽脑汁的策略。

实现移动模式的标准做法是选取想要的模式,再将控制数据填入某个数组或多个数组。控制数据由特定的移动指令组成,比如向前移动再转弯,借此迫使计算机控制的物体或角色按所需模式移动。利用这些算法,你可以建立圆形、方形、蛇形、曲线以及任何类型的模式将之编制成一组精确的移动指令。

标准移动模式算法

标准移动模式算法使用控制指令(编码过的指令清单或数组),指示计算机控制的角色,在每一轮游戏循环中如何移动。每当循环运行一轮时,数组将编入索引值,以便处理下一组移动指令。

例3-1 给出了一组典型的控制指令。

游戏开发中的人工智能(二):追逐和闪躲

接上文 游戏开发中的人工智能(一):游戏人工智能简介

本文内容:讨论基本的追逐和闪躲技术,以及进级的拦截技术。我们也谈及这些技术在砖块环境和连续环境中的变化。

本章的焦点是追逐和闪躲,这是一个十分常见的问题。无论你开发的是太空战机射击游戏,策略模拟游戏,还是角色扮演游戏,游戏中的非玩家角色都会试着追逐或者逃离玩家角色。

追逐和闪躲由以下三部分组成:

• 追或逃的决策判断(后文谈论到状态机和神经网络时再来讨论)
• 开始追或逃(本章重点)
• 避开障碍物(第五章和第六章会再谈这个问题)

让追击者追逐猎物是最简单、最容易写而且也是最常用的方法就是在每次的游戏循环中,更新追击者的坐标,让追击者和猎物的坐标离得愈来愈近。这种算法不去管追击者和猎物各自行进的方向和速度。虽然这种做法有直接的效果,追击者会不断往猎物的位置移动,除非被障碍物挡住,但是,这种做法有其限制,稍后再加以讨论。

游戏开发中的人工智能(一):游戏人工智能简介

游戏 AI 的定义相当宽广而且灵活性很大。无论采取何种手段,只要能给人以某种智能程度的“错觉”,让游戏更能令人沉迷于其中,更具有挑战性,最重要的就是要更好玩,那才能看做是游戏 AI。

定性与非定性 AI

游戏 AI 通常分成两种,定性和非定性。

定性

定性即行为或表现是特定的,而且可以预测的,没有不确定性。具体实例可以是简单的追逐算法。比如说塑造一个怪物角色,沿着 XY 坐标轴前进,往某目标点移动,直到该角色的 XY 坐标和目标点的坐标重叠。

非定性

与定性行为相反,非定位行为有某种程度的不确定性,有点不可预测(不确定到什么程度与人们对所采用的的 AI 的方法的理解的难易程度有关)。具体实例是让非玩家角色学习到适应玩家的作战战术。这样的学习能力可以利用神经网络、贝叶斯技术或遗传算法得到。

5分钟了解你不知道的人工智能热门词汇

大数据和人工智能的浪潮正在席卷全球,众多热门词汇蜂拥而至:人工智能(Artificial Intelligence)、大数据(Big Data)、云计算(Cloud Computing)、机器学习(Machine Learning)、数据挖掘(Data Mining)、深度学习(Deep Learning)、强化学习(Reinforcement Learning)和数据库(Databases)。不少人对这些高频词汇的含义及其背后的关系总是似懂非懂、一知半解。

为了帮助大家更好地理解人工智能,我们邀请到微软亚洲研究院资深研究员郑宇博士用最简单的语言来解释这些词汇的含义,理清它们之间的关系,希望对刚入门的同学们有所帮助。

人工智能、机器学习、深度学习和强化学习

首先来看一下人工智能、机器学习和深度学习之间的关系。如图一所示,我们可以大致认为深度学习是机器学习中的一种学习方法,而机器学习则可以被认为是人工智能的一个分支。

深度学习框架中的魔鬼 — 探究人工智能系统中的安全问题

作者: 肖奇学, 李康(来自360 Team Seri0us 团队)

深度学习引领着新一轮的人工智能浪潮,受到工业界以及全社会的广泛关注。 虽然大家对人工智能有很多美好的憧憬,但是现实是残酷的 — 随着一批深度学习应用逐渐开始变成现实,安全问题也渐渐显现出来。

人工智能应用面临来自多个方面的威胁:包括深度学习框架中的软件实现漏洞、对抗机器学习的恶意样本生成、训练数据的污染等等。 这些威胁可能导致人工智能所驱动的识别系统出现混乱,形成漏判或者误判,甚至导致系统崩溃或被劫持,并可以使智能设备变成僵尸攻击工具。

在推进人工智能应用的同时,我们迫切需要关注并解决这些安全问题。本文作为人工智能与安全的系列文章之一,首先介绍我们在深度学习框架中发现的安全问题。

1、人工智能讨论中的安全盲点

未来十年,智慧医院与人工智能领域7大技术预见

开展技术预见行动已经成为国家各行业遴选优先发展技术领域和技术课题的重要活动。作者根据在生命健康领域的研究经历,遴选出在未来十年左右七个重要技术领域的技术预见,并绘制出关键技术发展路线。

预见一:基于临床样本表型与生命组学融合技术的精准医学临床决策支持系统在院内得到实际应用

建立在分子诊断、基因检测为基础上的,面向重大疾病及罕见病风险预测、早期筛查、分子分型、靶向治疗以及个性化治疗策略的精准医学临床决策支持系统是精准医学技术取得实际应用的重要标志,也是未来医学进步速度的重要体现。

目前,美国已有eMERGE等临床表型与生命组学信息深度融合的协作网络技术平台,并产生了重要的科研成果。但是能够普遍用于临床的,并与精准医学相结合的决策支持产品国际、国内尚未出现。

精准医学临床决策支持系统其数据来源不仅包括院内临床信息,同时包括来自于基因组、转录组、代谢物组、糖组、人体微生物组等生命组学数据及生物样本信息,涉及中文自然语言处理、语义映射转化、临床与组学数据规范化、临床与组学关联分析、机器学习等众多关键技术。

人工智能存在“1%问题”

1.在AI方面取得成功的那1%的企业都是云公司。

2.AlphaGo只不过是运行一系列程序算法来模拟场景,从中找出最优解。它真的能取代人类吗?

3.在AI被广泛使用之前,需要先解决技能差距、工具繁多和基础设施这三个重要问题。

4.让那99%的企业都能使用,实现AI“民主化”,帮助那些远远比不上“谷歌们”的公司利用AI。

原文翻译:

关于人工智能(AI)的报道和评论为数众多。有人说它能创造奇迹,也有人说它对人类构成威胁。但Databricks公司联合创始人兼CEO阿里·高德西(Ali Ghodsi)要大家保持克制。Databricks来自加州大学伯克利分校AMPLab实验室,致力于ApacheSpark。

高德西说,在Databricks为其500多位企业客户提供支持的用例中,73%是基于AI。这些公司很多都在努力利用AI。但同时也有众多夸张的故事,讲述AI将如何掌控世界,又有多么强大、多么危险。

“当我们和试图解决预测问题的财富2000强企业交流时,他们的说法和媒体的报道反差极大,”高德西说。

AI的1%问题

11个技术领袖告诉你的AI真相

人工智能是一个深邃世界,那些最优秀的人工智能实践像一个漫无边际的海洋那样浩瀚,如何让AI有助于你的生意?AI又是如何影响着消费者们?这样的疑问绵延不绝。事实就是,在现阶段,有些AI太复杂,企业没有必要考虑要不要将其引入到自己的品牌中来,尤其是对那些当下的和短期需求来说。然而,随着关于AI和自动化在媒体行业中不断被讨论,压力是越来越大的,但那些都是噪音罢了。为了终结这种切实存在的噪音,我们收集11位技术领导者的洞见,他们将对我们应该关注何处(以及为什么要关注)发表更深层的看法。

AI不总是正确的解决方案

关于AI是否是正确的解决方案,企业需要谨慎地、有条不紊地权衡他们的选择,如果它是正确的解决方案,那就需要有针对性地规划其路线图,以确保其产品和消费者都能长存。

Jason VandeBoom是ActiveCampaign的CEO和创始人,ActiveCampaign是一个为中小企业服务的营销自动化和CRM平台提供商。VandeBoom认为:

同步内容
--电子创新网--
粤ICP备12070055号