Designing and Evolving an Unreal Tournament 2004 Expert Bot
Download as PPS, PDF1 like337 views
This document describes the evolution of an expert bot for the game Unreal Tournament 2004 using genetic algorithms. The researchers created an initial expert bot (E-Bot) using a state machine approach that outperformed the game's standard bots. They then used genetic algorithms to evolve improved bots (GE-Bots) by optimizing parameters of the E-Bot's AI. Three approaches were tested: one with a 143-gene chromosome that performed poorly, one with a 26-gene chromosome, and one using a complex fitness function that considered additional factors like weapon usage. The 26-gene complex fitness approach produced GE-Bots that outperformed the original E-Bot in matches.
Designing and Evolving an Unreal Tournament 2004 Expert Bot
- 1. Designing and Evolving an Unreal Tournament 2004 Expert Bot A.M. Mora, F. Aisa, R. Caballero, P. García-Sánchez, J.J. Merelo, P.A. Castillo, R. Lara-Cabrera International Work-Conference on Artificial Neural Networks
- 2. INDEX • Unreal (game, environment) • Pogamut tool • Unreal Expert Bot (objectives, features) • Evolutionary Algorithms • Unreal Expert Bot Evolution (description, approaches, results) • E-BOT vs GE-BOT (results, demo) • Conclusions
- 3. Environment description UNREAL Unreal is a first person shooter (FPS)first person shooter (FPS). Famous due to the excelent AI of the enemiesexcelent AI of the enemies (bots), which makes it an amazing multiplayer game. Unreal Tournament series is widely extended. It offers an editor (UnrealEd)editor (UnrealEd) which lets us change almost anything in the game even the behaviour of the bots. It uses the language UnrealScriptUnrealScript.
- 4. General description POGAMUT A java middlewarejava middleware for Unreal Tournament series games and Defcon games. The architecture is as follows: It is possible to interact with the game from a java program, getting higher independencehigher independence (avoiding Unrealscript restrictions) and increasing the possibilitiesincreasing the possibilities (java libraries). On the contrary, the structures, classes, functions andstructures, classes, functions and workflows defined in the Unreal engine, cannot be accessedworkflows defined in the Unreal engine, cannot be accessed, nor used.
- 5. Objectives UNREAL EXPERT BOT • Create an autonomous agent for playing Unreal Tournament deathmatch championship. • Considering the constraints of this competition: - 1 vs 1 matches - Small arenas - Weapons are not respawned - Some forbidden items (U-Damage, for instance) - 15 minutes per match instead of a number of frags (kills) • Human-like behaviour is desired. • Modelling Expert player knowledge (and tricks). - High control in timing (items respawn time) - Deep knowledge about weapons and their advantages and disadvantages - Deep knowledge about items
- 6. Features UNREAL EXPERT BOT • Defined by means of a Finite State Machine based AIState Machine based AI with two state levels. • Translated into a set of rules which determine its behaviour. • Database which models the bot’s memory, since it is uploaded with data about locations of items and weapons in the map.
- 7. Bot performance UNREAL EXPERT BOT • Expert Bot (E-Bot) outperformed the standard bots in the game (considering the number of frags), even in the maximum difficulty level. • This difficulty level is quite hard for a medium level player. • E-Bot is hard to beat for humans, even for the expert. • Medium level players usually lose against it.
- 8. Evolutionary Algorithms EXPERT BOT EVOLUTION by Johann Dréo i -> initial population f -> evaluation function (fitness) ? -> stop condition Se -> selection Cr -> crossover Mu -> mutation Re -> replacement
- 9. Evolutionary Process in Unreal game EXPERT BOT EVOLUTION GE-BOT Expert Bot based in a Genetic Algorithm Evolutionary process population FITNESS EVALUATION • Analyze Expert bot’s FSM • Identify parameters • Optimize them Expert Bot’s AI
- 10. Approaches EXPERT BOT EVOLUTION • Generic Fitness Just considers frags/deads and damage produced/received • Generational scheme • 4-elitism • Complex Fitness - considers frags/deads - damage produced/received - time using the best or more versatile weapons: Lightning Gun and Shock Rifle - getting the best items: Shield and Super Shield • Stationary scheme • Chromosome 143 • Uniform Crossover • Random mutation • 4 Random individuals • Chromosome 26
- 11. Approach 1: Chromosome 143 - Generic Fitness EXPERT BOT EVOLUTION • Generic Fitness Just considers frags/deads and damage produced/received • Generational scheme • 4-elitism • Chromosome 143 • Uniform Crossover • Random mutation • 4 Random individuals
- 12. Approach 1. Results EXPERT BOT EVOLUTION • 30 generations • 30 individuals • 1 evaluation (left) • 3 evaluations (right) in order to avoid the noisy nature of the fitness function • 15 minutes per evaluation • 10 days per run (left) • One month (right) • Lightly improvement tendency • Too many oscillations, i.e. noise • 143 genes are too much
- 13. EXPERT BOT EVOLUTION • Generic Fitness Just considers frags/deads and damage produced/received • Generational scheme • 4-elitism • Uniform Crossover • Random mutation • 4 Random individuals • Chromosome 26 Approach 2: Chromosome 26 - Generic Fitness
- 14. Approach 2. Results EXPERT BOT EVOLUTION • 50 generations • 30 individuals • 5 minutes per evaluation • Results of 2 different runs • 5 days per run • Again lightly improvement tendency • Too much noise • Too much diversity
- 15. EXPERT BOT EVOLUTION • Complex Fitness - considers frags/deads - damage produced/received - time using the best or more versatile weapons: Lightning Gun and Shock Rifle - getting the best items: Shield and Super Shield • Stationary scheme • Uniform Crossover • Random mutation • 4 Random individuals • Chromosome 26 Approach 3: Chromosome 26 - Complex Fitness
- 16. Approach 3. Results EXPERT BOT EVOLUTION • 40 generations • 30 individuals • 5 minutes per evaluation • Stationary scheme to increase the exploitation factor • Results of 2 different runs • 5 days per run • Quite good fitness tendency • Noise still remains, but in a lower factor
- 17. Numerical results E-BOT vs GE-BOT • Expert Bot (E-Bot) and the best Genetic Expert Bots (GE-BOT) have been fighting in four battles (in two maps). • The average results of these matches are: • The approach with 143 genes per chromosome is defeated • GE-Bot with 26 genes outperforms E-Bot. • The approach with the complex fitness function gets the best results. Due to its lower noisy factor, and the higher exploitation component.
- 19. CONCLUSIONS • We have designed a human-like Expert Bot (E-Bot) which outperforms the standard Unreal Tournament 2K4 bots in the hardest difficulty. • It is also a hard rival against human players. • We have tested three different approaches for improving this bot by means of Genetic Algorithms. • Too long chromosomes population performs worse than small length one. • These algorithms are affected by a high noisy factor regarding the generic (and easier) fitness function. • We have defined a complex fitness function which performs better, with a softer noisy effect. • The bots obtained after evolution outperform the E-Bot.
- 20. END THE Questions?!?! Contact: amorag@geneura.ugr.es Source Code: https://github.com/franaisa/ExpertAgent
Editor's Notes
- #4: Las imágenes de la izquierda corresponden a distintos juegos: Unreal (derecha), Unreal Tournament (izquierda) y Unreal Tournament 2004 (la que sobresale) Las de la derecha corresponden al editor (Unreal ED), que viene con cada juego y que deja abierto casi todo el motor (el Unreal Engine), para cambiar casi lo que quieras. Aunque hay muchas clases restringidas, claro. A la derecha se puede ver el árbol de clases, del que puede heredar al crear una nueva. ;) Sirve también para modificar personajes o escenarios (gráficamente). ;)
- #5: Para hacer los bots se usará Pogamut. Gamebots fue la primera librería que apareció para comunicarse con el motor de Unreal Tournament 2004. Está definida en el mismo entorno (como un plugin) Pogamut se basa en ella y utiliza Gavialib para la comunicación. Se programa en Java con la librería de Pogamut.
- #7: Al usar Pogamut, no se puede hacer uso del motor de IA de Unreal (basado también en estados), por lo que se ha creado una FSM o IA desde cero. Describir lo que es una FSM si quieres. El bot estará en un estado primario y cuando ocurran eventos se pasará a uno secundario (dentro de ese primario). Ejemplo: el bot está en Attack, pero recibe daño y en lugar de pasar a otro estado de retirada, busca salud, pero sin dejar de atacar. ;) Los datos se meten en la BD cuando el bot los ve en el mapa, no antes, como lo haría un humano. Aquí tienes una muestra sencilla de diagrama de flujo en el que se muestra cómo se elige el estado principal. ;)
- #8: Estos resultados se obtuvieron después de publicar el artículo. En él hay menos experimentos (2 partidas sólo). Se hicieron experimentos contra humanos, aunque un poco ‘informales’. :D
- #9: Esto te lo sabes. ;D Habría que decir que, una vez se tiene el bot experto funcionando, se va a evolucionar para mejorarlo.
- #10: Partiendo de los estados definidos en la FSM y las reglas que éstos modelan, se eligen los parámetros de los que dependen, se ‘extraen’ como cromosomas/individuos del genético, se hacen una población de individuos aleatorios (o pseudoaleatorios) y se evolucionan. Cada vez que se quiere evaluar un individuo, se usan esos parámetros como valores dentro de las reglas del bot experto y se pone a jugar contra otro experto (con los valores por defecto). Tras un rato, se valora lo que ha hecho con la función de fitness, que considera las muertes, así como el daño hecho y recibido.
- #11: Cr 143 considera decenas de valores relativos al uso de armas (ponderaciones de cual es mejor en cada posible situación) Cr 26 sustituye todo eso por un valor que pondera la elección de cada arma (se consideran 9 armas diferentes) Valores Health decidir cuándo está bien y cuándo mal Distance distancia al enemigo (cerca, media, lejos) Risk riesgo que está dispuesto a correr (salud a arriesgar en un estado agresivo antes de cambiar a uno defensivo, por ejemplo) Time tiempo que puede pasar buscando al enemigo en un estado Items ponderación del uso de cada item Ambos algoritmos son iguales, sólo cambia el tipo de cromosoma. Mira los detalles de cada operador en el artículo, si quieres.
- #13: Estos son los resultados de una de las ejecuciones. Las 3 evaluaciones se hacen para intentar ‘paliar’ el ruido de este tipo de problemas en los que una partida puede salir muy bien y otra muy mal para el mismo bot. ;) Cromosomas muy grandes y/o demasiada diversidad => malos resultados: demasiado ruido y muchas oscilaciones en la función de fitness
- #15: Estos son los resultados de dos ejecuciones. Más individuos, menos tiempo de evaluación. Todavía demasiada diversidad => malos resultados: demasiado ruido y muchas oscilaciones en la función de fitness
- #16: Stationary scheme para aumentar la presión selectiva => la explotación
- #17: Estos son los resultados de dos ejecuciones. Resultados aceptables en cuanto a la tendencia del fitness. Pero aún con mucho ruido. Habría que hacer varias evaluaciones por individuo.
- #18: Estos resultados se obtuvieron después de publicar el artículo. En él hay menos experimentos (2 partidas sólo). Se hicieron experimentos contra humanos, aunque un poco ‘informales’. :D