Seminar: Knowledge Engineering und Lernen in Spielen - SS 06
Die Noten werden ab 28.7. vormittags vor E304 aushängen.
Inhalt
Im Rahmen dieses Seminars werden wir Einsatzmöglichkeiten für Methoden der künstlichen Intelligenz in der Entwicklung von Computer-Spielen betrachten. Hauptsächlich werden wir dabei entsprechende Fachbücher durcharbeiten, voraussichtlich die beiden folgenden:
|
Das Buch von Bourg und Seeman ist als E-Book in der Bibliothek vorhanden (Zugriff nur aus dem Uni-Netz).
Es wird erwartet, daß Studenten die ihnen zugeteilten Materialien (im Regelfall 2-4 Kapitel aus oben genannten Büchern) in einem ca. 45-minütigen Kurz-Vortrag (30 min Vortrag, 15 min Diskussion) vorstellen. Der Vortrag sollte jedoch inhaltlich über diese Materialien hinausgehen und eine selbständige Auseinandersetzung mit dem gewählten Thema demonstrieren.
Es steht (nach Rücksprache) auch frei, anstatt der Fachartikel eine praktische Erprobung eines bekannten oder eigenes Ansatzes zu erarbeiten und zu präsentieren bzw. eigene Themenvorschläge einzubringen.
Die Vergabe von Themen erfolgt am ersten Seminars-Termin (18.4.), Sie können aber bereits davor Interesse an bestimmten Themen anmelden.
Vorkenntnisse
Es sind keine besonderen Vorkenntnisse aus dem Gebiet der künstlichen Intelligenz oder dem Maschinellen Lernen erforderlich. Im Prinzip kann das Seminar auch von Studenten des Grund- oder Bachelor-Studiums besucht werden.
Vorträge
Es wird erwartet, daß Sie die Vorträge mit Slides begleiten. Falls Sie keinen Laptop haben, bitte mir die Slides rechtzeitig zu senden, damit ich sie auf meinem Laptop einspielen bzw. testen kann. Die Vorträge und/oder Slides können wahlweise auf Deutsch oder Englisch gehalten werden.Benotung
In die Gesamtnote fließen die Ausarbeitung des Vortrags (Folien), die Präsentation, die Beantwortung von Fragen zum Vortrag, sowie die aktive Teilnahme an der Diskussion bei den Vorträgen anderer ein. Eine schriftliche Ausarbeitung ist nicht notwendig.
Im Vordergrund der Gesamtbenotung steht jedoch die selbständige Auseinandersetzung mit den vorgestellten Methoden. Für eine sehr gute (1.x) Beurteilung muß Ihr Vortrag über eine blosse inhaltliche Wiedergabe der Techniken hinausgehen. Einfliessen lassen können Sie z.B. eigene Erfahrungen, Ideen, oder auch Demos. Eine exakte Wiedergabe des Inhalts der Papiere fhrt nur zu einer Beurteilung mit 2.x, auï¿œrordentlich schwache Leistungen in einem der genannten Punkte, insbesondere mangelnde Mitarbeit im Seminar, zu 3.x oder schlechter.
Ort und Zeit
jeweils Dienstag, 16:15 - 17:55, Raum S202|A102.
Themen, Termine und Vortragende
B&S = David M. Bourg, Glenn Seemann: AI for Game Developers, O'Reilly, 2004.
Cha = Alex J. Champandard: AI Game Development, New Riders Publishing, 2003.Basic Movements (2.5.)
Advanced Movements (9.5.)
- Flocking, B&S, Ch. 4 (Ladebeck, Slides)
- Potential Function-Based Movement, B&S, Ch. 5 (Koller, Slides)
Pathfinding (16.5.)
- Basic Pathfinding and Waypoints, B&S, Ch. 6, (Awerbuch, Slides)
- A* Pathfinding, B&S, Ch. 7 (Sutlar, Slides)
Scripting and Rule-Based Systems (23.5.)
- Scripted AI and Finite State Machines, Weapon Selection, B&S, Ch. 9, Cha, Ch. 22-25 (Riether, Slides)
- Rule-Based Systemes B&S, Ch. 11, Cha, Ch. 11-12 (Dautermann, Slides)
Fuzzy Logic (30.5.)
- Introduction / Threat Assessment, B&S, Ch. 10 (Staykova, Slides)
- Fuzzy Movement, Cha, Ch. 29-31 (Güldner, Slides)
Finite State Machines and Emotions (6.6.)
- Finite State Machines for Emotions, B&S, Ch. 8, Cha, Ch. 36-39 (Glöckner)
- Advanced Emotional Systems, Cha, Ch. 40-42 (Paulheim, Slides)
Genetic Algorithms (13.6.)
- Genetic Algorithms, B&S, Ch. 15 (Becher, Slides)
- Classifier Systems / Adaptive Defensive Strategies, Cha, Ch. 32-34 (Beetz, Slides)
Shooting (27.6.)
- Shooting and Aimining, Cha, Ch. 13-18 (Burkhardt, Slides)
- Shooting, Cha, Ch. 19-20 (Gliesche, Slides)
- Classification and Regression Trees, Cha, Ch. 26-28 (Müller, Slides)
Learning (4.7.)
- Reinforcement Learning and Adaptive Behaviors, Cha, Ch. 35, 46-48 (Seifert, Slides)
Bayesian and Neural Networks (4.7.)
- Bayesian Networks, B&S, Ch. 12-13 (Wich, Slides)
- Neural Networks, B&S, Ch. 14, additional article (Heinje, Slides)
Adaptivity (11.7.)
- Dynamic Scripting (Kellner, Slides)
Pieter Spronck, Marc Ponsen, Ida Sprinkhuizen-Kuyper, and Eric Postma (2006). Adaptive Game AI with Dynamic Scripting. (Accepted for publication in Machine Learning). - Reinforcement Learning to Play Tetris (Matussek, Sögüt, Slides))
- Ron Breukelaar, Erik D. Demaine, Susan Hohenberger, Hendrik Jan Hoogeboom, Walter A. Kosters, and David Liben-Nowell: Tetris is Hard, Even to Approximate. International Journal of Computational Geometry and Applications (IJCGA), April 2004. ( Preliminary version).
- Veksler D., Gray W.: State Definition in the Tetris Task: Designing a Hybrid Model of Cognition, in Lovett M., et al.(eds.), Proceedings 6th International Conference on Cognitive Modelling (ICCM2004): Integrating Models, July 30-August 1, 2004, Carnegie Mellon University, Pittsburgh, PA, USA, 2004.
- Stan Melax. Reinforcement Learning Tetris Example, 1998.
- Yael Bdolah and Dror Livnat. Reinforcement Learning Playing Tetris, Course Project, Tel Aviv University 2000.
- K. Driessens, and S. Dzeroski, Integrating guidance into relational reinforcement learning, Machine Learning 57, pp. 271-304, 2004
Player Modeling (18.7.)
- Player Prediction (Moch, Slides)
- Fri Mommersteeg. Pattern Recognition with Sequential Prediction. AI Game Programming Wisdom, 2002.
- Francois Dominic Laramee. Using N-Gram Statistical Models to Predict Player Behavior. AI Game Programming Wisdom, 2002.
- Opponent Modeling (Jaramenko, Slides)
- Terence Schauenberg (2006). Opponent Modelling and Search in Poker, M.Sc. thesis, University of Alberta, 2006.