譯者： 賴勇浩（戀花蝶）
本文發表於戀花蝶的部落格（
當談起遊戲人工智慧的時候，大家通常都會比較多地關注fps或者實時策略遊戲，其實體育類遊戲的挑戰和解決方案同樣值得關注。儘管在學術研究和遊戲業界都沒有多少公開的可供學習的成果，但我們仍然可以根據ea 和take2 每年發布的產品來談談這個領域研究進展。
本週的題目來自anthony，他正在做乙個與足球遊戲相關的研究生課題：
「大家怎麼看體育遊戲的ai ?我認為體育ai 是比較困難的，因為沒有像開發乙個幻想風格遊戲那樣的自由度（因為玩家永遠不會有真實體驗那種場景的機會）。[譯者注：這一段有點畫鬼畫神最易，畫狗畫貓最難的意思。]
每個人都參與過體育活動，他們對遊戲有明確的期望。有人知道**有相關的學術資源可以讓我深入學習一下麼？」
通常而言，體育遊戲的ai 在結構上類似於fps 或rts 遊戲：底層是控制和動畫，中間層是個體的決策，上層是戰術。但從每一層來看，它又與其它遊戲大有不同。
截圖1：madden nfl 2008 擁有迄今為止最強的足球ai
玩家對體育模擬遊戲期望越高，球員的運動就顯得越為重要。遊戲中角色移動、抱球、與其它角色的互動，應當極具真實感。這些都是建立在角色動畫之上的。
看看到目前為止這一領域所做的研究工作，就可以肯定遊戲中動畫的重要性。許多動畫專案都是由ea 或其它開發商出資或者資助的。如果你閱讀一下sig 圖形學會議的**，會發現許多都使用了ai 相關的技術：
在這一領域仍然有許多改進餘地，但運動合成需要有非常多的工作要做
。naturalmotion是乙個動畫中介軟體，它致力於足球模擬（稱為backbreaker
），遺憾的是它遠不夠成熟。
真實感動畫在現在和可以預見的未來都只能使用動作捕捉。開發人員必定會拋棄利用一小段時間片進行物理反應模擬的方案，而是改用動作捕捉來盡可能快地提供有針對性的行為。
截圖2：完美的截球動畫在技術上極具難度
在體育遊戲架構的中間層，個體的ai 比起動畫層就簡單得多。它通常使用多個操控行為的組合來控制角色，如：遠離對手、向目標前進和尋找開闊空間等。
這種個體的ai 與傳統的第一人稱或第三人稱射擊遊戲遊戲的角色ai 極其相似。它經常使用簡單的決策生成技術，如有限狀態機，來執行上層ai 下達的戰術。這個領域沒有太多可供研究的東西，因為它易於理解。
參考閱讀：
截圖3：球員基本行為由有限狀態機實現
從戰術角度來看，體育遊戲比起射擊類遊戲要簡單得多：只有乙個球場而非多個關卡，也用不到複雜的幾何學。你唯一需要考慮的是團隊的不同成員間的協作。儘管，這並不是小問題，但從許多遊戲中可以知道ai 開發人員只需要做好最重要的事：讓球員在進攻和防守兩方面都有不錯的表現。
現在看來，在體育遊戲中的可配接ai 上的研究已經不少，尤其是《madden nfl 》遊戲。多年來，開發者曾經簡單地利用玩家的選擇來，現在則使用機器學習演算法來完成這一課題。
截圖4：初始位置和每個球員的目標是戰術的要素
你也深入觀察過體育遊戲的ai 嗎？你認為那些遊戲的ai 行為怎麼樣？
AI 機器學習
101001000 010100100 100010010 011000001 ohe sp.onehotencoder sparse 是否採用緊縮格式,dtype 資料型別 ohe.fit transform 原始樣本矩陣 獨熱編碼處理後的樣本矩陣 ohe.py 6.標籤編碼 根據字串形式的特徵值...
AI 機器學習 監督學習 邏輯回歸
邏輯回歸和線性回歸不太一樣，邏輯回歸做的是分類。其實和線性回歸都是廣義線性模型 generalizedlinear model 這一家族中的模型形式基本上都差不多，不同的就是因變數不同。這類監督學習的總體思路如下 1 確定 函式，就是樣本和 結果的大致關係的函式，線性回歸是線性方程或者多項式方程，邏...
機器學習中qa測試 如何測試AI和機器學習系統？
智慧型手機，智慧型揚聲器，智慧型汽車，智慧型咖啡機.這個名單還在繼續。看起來我們周圍的一切都變得生機勃勃，變得聰明起來。雖然科幻型別依賴於我們對敵對機械人接管的恐懼，但智慧型裝置絕不是反烏托邦 它們實際上是為了讓我們的生活更輕鬆，所以我們可以花更多的時間在重要的東西上，而不是繁瑣的工作上。科技公司知...