Detta examensarbete tittar närmare på vägplaneringsproblemet som är ett vanligt förekommande problem inom datorspel. Arbetet skall försöka besvara följande frågeställning: Vilka kombinationer av styrbeteenden och beräkningsmodeller kan användas för större grupper av autonoma agenter som navigerar i en miljö med avseende på prestanda och estetik? För att besvara frågeställningen så skapades en applikation där fyra olika styrbeteenden implementerades. Vägföljningsbeteendet är grundbeteendet för agenternas navigering och flockbeteendet används för att ge ett bättre resultat. Resultatet av arbetet visar på att de fyra styrbeteendena som omfattas av arbetet är tillräckligt i de flesta fall; även om det finns brister. De fyra styrbeteendena hade med god anledning kunnat kombinerats med andra styrbeteenden som inte tas upp i arbetet för att ge en mer komplett navigering. Styrbeteenden kan även användas utanför datorspel, så som inom robotik eller för att simulera agenter i en trafikmiljö eller agenter som evakuerar en byggnad.

I nästan alla moderna datorspel så återfinns datorstyrda karaktärer, vilka behöver kunna navigera i spelvärlden. Dessa karaktärer kan vara olika typer av fiender i ett förstapersonskjutarspel, eller motståndare och medhjälpare i ett sportspel (exempelvis fotboll- eller rallyspel) med mera. Det finns många tekniker för att realisera vägplanering och det kan vara stora skillnader, både prestandamässiga och funktionella, mellan dem. Detta arbete jämför två olika sökrymdsrepresentationer för vägplanering, nämligen vägpunktsgrafer och navigationsnät, där sökrymderna automatgenererats. Jämförelsen görs med ett experiment och avser såväl prestanda (tids- och minneskostnad) som funktionalitet (optimal väg och antal svängar). Experimentmiljön stödjer godtyckliga vägar och ger detaljerad statistik för en noggrann jämförelse av vägplaneringsteknikerna. Arbetet visar på att navigationsnätet presterar bäst vad gäller funktionalitet. Vad gäller prestanda så presterar navigationsnätet generellt sett bäst, men vägpunktsgrafen kan ge bättre prestanda om nodavståndet hålls relativt högt. Det finns också många möjligheter att vidareutveckla arbetet, exempelvis förfina vägarna och kombinera vägplaneringsteknikerna med robotik.

Då artificiella intelligenta agenter försöker navigera i en virtuell värld med statiska hinder så behöver dess väg beräknas. För denna beräkning används ett lager som beskriver hur och vart agenten kan röra sig i världen kallat för sökrymd. Detta kan göras på flera olika sätt vilket ger skillnad i prestanda och minnesåtgång samt indirekta fördelar genom sättet sökrymden är uppbyggd på. Genom att jämföra dessa skillnader i olika miljöer så kan resultatet påvisa vilka egenskaper sökrymdstyperna ger i de olika miljöerna. Rapporten visar att n-sidat polygonbaserat navigationsnät ger mycket bra egenskaper i de olika mätningarna och ger även flera fördelar på grund av dess utformning som gör att det kan anpassa sig bra till olika miljöer.

<p>Då artificiella intelligenta agenter försöker navigera i en virtuell värld med statiska hinder så behöver dess väg beräknas. För denna beräkning används ett lager som beskriver hur och vart agenten kan röra sig i världen kallat för sökrymd. Detta kan göras på flera olika sätt vilket ger skillnad i prestanda och minnesåtgång samt indirekta fördelar genom sättet sökrymden är uppbyggd på. Genom att jämföra dessa skillnader i olika miljöer så kan resultatet påvisa vilka egenskaper sökrymdstyperna ger i de olika miljöerna.</p><p>Rapporten visar att n-sidat polygonbaserat navigationsnät ger mycket bra egenskaper i de olika mätningarna och ger även flera fördelar på grund av dess utformning som gör att det kan anpassa sig bra till olika miljöer.</p>

I och med att videospel blir mer avancerade, inte bara grafiskt utan också som konstform samt att dom erbjuder en mer inlevelsefull upplevelse, så kan det förväntas att spelen också ska erbjuda en större utmaning för att få spelaren bli ännu mer engagerad i spelet. Dagens spelare är vana vid fiender vars beteende styrs av tydliga mönster och regler, som beroende på situation agerar på ett förprogrammerat sätt och agerar utifrån förutsägbara mönster. Detta leder till en spelupplevelse där målet blir att klura ut det här mönstret och hitta ett sätt att överlista eller besegra det. Men tänk om det fanns en möjlighet att skapa en ny form av fiende svarar och anpassar sig beroende på hur spelaren beter sig? Som anpassar sig och kommer på egna strategier utifrån hur spelaren spelar, som aktivt försöker överlista spelaren? Genom maskininlärning i spel möjliggörs just detta. Med en maskininlärningsmodell som styr fienderna och tränas mot spelarna som möter den så lär sig fienderna att möta spelarna på ett dynamiskt sätt som anpassas allt eftersom spelaren spelar spelet. Den här studien ämnar att undersöka stegen som krävs för att implementera maskininlärning i Unity motorn samt undersöka ifall det finns någon upplevd skillnad i spelupplevelsen hos spelare som fått möta fiender styrda av en maskininlärningsmodell samt en mer traditionell typ av fiende. Data samlas in från testspelarnas spelsessioner samt deras svar i form av ett frågeformulär, där datan presenteras i grafform för att ge insikt kring ifall fienderna var likvärdigt svåra att spela mot. Svaren från frågeformulären används för att jämföra spelarnas spelupplevelser och utifrån detta se skillnaderna mellan dom. Skalan på spelet och dess enkelhet leder till att svaren inte bör påverkas av okända och ej kontrollerbara faktorer, vilket ger svar som ger oss insikt i skillnaderna mellan dom olika spelupplevelserna där en preferens för fiender styrda av maskininlärningsmodeller kan anas, då dom upplevs mer oförutsägbara och varierande. / As video games become more complex and more immersive, not just graphically or as an artform, but also technically, it can be expected that games behave on a deeper level to challenge and immerse the player further. Today’s gamers have gotten used to pattern based enemies, moving between preprogrammed states with predictable patterns, which lends itself to a certain kind of gameplay where the goal is to figure out how to beat said pattern. But what if there could be more in terms of challenging the player on an interactive level? What if the enemies could learn and adapt, trying to outsmart the player just as much as the player tries to outsmart the enemies. This is where the field of machine learning enters the stage and opens up for an entirely new type of non-player character in videogames. An enemy who uses a trained machine learning model to play against the player, who can adapt and become better as more people play the game. This study aims to look at early steps to implement machine learning in video games, in this case in the Unity engine, and look at the players perception of said enemies compared to normal state-driven enemies. Via testing voluntary players by letting them play against two kinds of enemies, data is gathered to compare the average performance of the players, after which players answer a questionnaire. These answers are analysed to give an indication of preference in type of enemy. Overall the small scale of the game and simplicity of the enemies gives clear answers but also limits the potential complexity of the enemies and thus the players enjoyment. Though this also enables us to discern a perceived difference in the players experience, where a preference for machine learning controlled enemies is noticeable, as they behave less predictable with more varied behaviour.