Minimal Memory Abstraction & Jaringan Syaraf Tiruan untuk...

Teknik Informatika | Institut Teknologi Sepuluh Nopember Master Thesis | Juli 2011

1

Minimal Memory Abstraction & Jaringan Syaraf Tiruan untuk Realtime Pathfinding dalam Permainan Komputer

Eriq Muhammad Adams J|5109.201.023|Teknik Informatika Institut Teknologi Sepuluh Nopember


2

Latar Belakang

Game sekarang kompleks : grafis realistis & NPC canggih

Game developer fokus pada Game AI

Agent Movement bagian dari Game AI

Agent Movement memerlukan strategi Pathfinding

A* sering dipakai untuk pathfinding

Namun A* punya waktu komputasi lama dan hanya mendukung lingkungan statis


3

Latar Belakang [cont.]

Kinerja A* dapat diperbaiki dg :

Teknik Map Abstraction : HPA* (Botea, et.al, 2004) PRA * (Sturtevant & Buro, 2005) TRA* (Demyen, 2006) MM (Sturtevant, 2007)

Pathfinding dalam lingkungan dinamis (realtime pathfinding) dapat menggunakan:

Realtime Heuristics : LRTA* (Korf, 1990) PR LRTA* (Bulitko et.al, 2007) D LRTA* (Bulitko et.al, 2008) TBA* (Bjornsson et.al, 2009)

Machine Learning: ANN : NANS (Graham & McCabe, 2006)

MM 100x lebih cepat daripada A* namun hanya untuk lingkungan statis

NANS dapat mempelajari 2 komponen realtime pathfinding (path planning & obstacle avoidance) , cepat tidak butuh preprocessing namun path tidak dijamin optimal


4

Kontribusi

Mengusulkan pendekatan baru realtime pathfinding dg. MM sbg long steering algorithm (path planning) dan ANN sbg short steering algorithm (obstacle avoidance).


5

Rumusan Masalah

Bagaimana melakukan abstraksi menggunakan MM ?

Bagaimana melatih neural agent ?

Bagaimana mengintegrasikan MM sbg. long steering algorithm dan ANN sbg. short steering ?


6

Batasan Masalah

Static Target

Regular Grids Representation

Evaluasi kinerja mengg. game engine 3D


7

Tujuan & Manfaat

Tujuan : Bangun solusi realtime pathfinding mengg. MM (long steering algo.)dan ANN (short steering algo.)

Manfaat : Alternatif realtime pathfinding baru bg game developer.


8

Metodologi Mulai

Pengambilan Dataset

Pelatihan Neural Agent

Integrasi MM dan ANN

Evaluasi

Selesai


9

Metodologi [cont.]

1. Pengambilan Dataset

Peta permainan

Repositori HOG (Hierarchical Open Graph)


10

Metodologi [cont.]

2. Pelatihan Neural Agent

Mulai

Perancangan Sensor Agen

Perancangan Topologi ANN

Pelatihan Discreet Evolution

Selesai


11

Metodologi [cont.]

2.a. Perancangan Sensor Agen

5 sensor

Sensor diimpl. dg ray casting

1

2

3

4

5

45°

Agen


12

Metodologi (cont.)

2.b. Perancangan Topologi ANN

Layer Keluaran

Layer Tersembunyi

Layer Masukan

Posisi Relatif Target

Nilai Sensor 1

Jarak Relatif

Sensor 1Nilai

Sensor 2

Jarak Relatif

Sensor 2

Nilai Sensor 3

Jarak Relatif

Sensor 3Nilai

Sensor 4

Jarak Relatif

Sensor 4Nilai

Sensor 2

Jarak Relatif

Sensor 2Variabel Tabrakan

Nilai Rotasi Searah Jarum Jam

Nilai Rotasi Berlawanan Arah Jarum

Jam


13

Metodologi [cont.]

2.c. Pelatihan Discreet Evolution

Mode Discreet Evolution

S G S G

S G S G

S G S G


14

Metodologi [cont.]

Evolusi Bobot Jaringan dg. GA


15

Metodologi [cont.]

3. Integrasi MM dan ANN

Mulai

Abstraksi dg MM

Pathfinding dg. Abstraksi

Pergerakan Neural Agent

Selesai


16

Metodologi [cont.]

3.a. Abstraksi dg MM

Komputasi Sektor

Komputasi Region

Komputasi Edge

0 1

2 3

a a

a

a

b b

b b c

32x32 cells


17

Metodologi [cont.]

3.b. Pathfinding menggunakan abstraksi

Cari region terdekat

Cari abstract path

Cari real path

S

G

a

b

a

a


18

Metodologi [cont.]

3.c. Pergerakan Neural Agent

Modifikasi reynold steering : path following 1. Inisialisasi 2. Pada saat frame update :

hitung jarak posisi agen dan target if posisi agen == tujuan then

agen berhenti return

end if target terblok || jarak posisi agen dan target < offset then

if indeks path sekarang != tujuan then indeks path sekarang++; target = indeks path sekarang

end if end if update informasi sensor update jaringan syaraf tiruan agen update posisi dan rotasi agen


19

Metodologi [cont.]

4. Evaluasi

Skenario 1 : penentuan jumlah hidden layer, neuron per hidden layer

Skenario 2 : pengukuran fps dan collision per frame

Skenario 3 : pengukuran panjang path dan waktu tempuh


20

Hasil & Uji Coba

Lingkungan Uji Coba

Perangkat Keras : – Prosesor Intel Core i3

– HDD 320 GB

– 3GB RAM

– NVIDIA G310M CUDA

Perangkat Lunak : – Microsoft Windows 7 64-bit

– Java SDK 1.6

– Eclipse IDE Helios

– JMonkeyEngine 3.0


21

Hasil & Uji Coba [cont.]

Skenario 1 : penentuan jumlah hidden layer, neuron per hidden layer

No. Parameter Nilai

1. Crossover rate 0,7

2. Mutation rate 0,1

3. Jumlah Agen 50

4. Tournament selection Ya

5. Elitism Ya

6. Jumlah layer tersembunyi 1

7. Jumlah neuron tiap layer tersembunyi

10

8. Jumlah layer masukan 12

9. Jumlah layer keluaran 2

10. Waktu interval evolusi 15 detik


22

Hasil Uji Coba [cont.]

Gen. terbaik ditemukan pada gen. ke-37


23


Skenario 2 :


24

Hasil Uji Coba [cont.]

Jumlah Agen

Jaringan Syaraf Tiruan Minimal Memory Abstraction

& Jaringan Syaraf Tiruan

Frame Rate

Jumlah Tabrakan per Frame

Frame Rate Jumlah Tabrakan

per Frame

10 59 0 59 0

20 59 1 59 1

30 59 3 59 1

40 59 4 59 3

50 59 5 59 5

60 59 5 59 5

70 59 6 59 6

80 59 9 59 10

90 59 10 59 11

100 58 12 59 11

Rata-rata 59 5 59 5

Dg penambahan MM tidak menyebabkan perubahan fps yg signifikan

Collision per frame rata2 > ClearPath


25


Skenario 3 : Uji coba pada 10 peta permainan

No Tes

Peta Permainan

Jaringan Syaraf Tiruan Minimal Memory Abstraction &

Jaringan Syaraf Tiruan

Panjang Path (wu)

Waktu Tempuh (detik)

Panjang Path (wu)

Waktu Tempuh (detik)

1 test1.map 60,60 19,86 33,49 11,61

2 test2.map 28,12 9,68 27,86 9,66

3 test3.map 54,09 17,98 37,97 13,05

4 test4.map 61,23 20,43 56,20 19,26

5 test5.map 32,88 11,08 33,03 11,45

6 test6.map 111,33 36,48 45,33 15,51

7 test7.map 32,91 11,22 32,85 11,36

8 test8.map 88,12 29,01 53,16 18,25

9 test9.map 38,92 13,17 29,34 10,15

10 test10.map 36,54 12,48 29,34 10,15

Rata-rata 54,47 18,14 37,86 13,05

Panjang path MM & ANN 3x lebih pendek drpd ANN

Waktu tempuhMM & ANN 3x lebih singkat drpd ANN


26


ANN vs MM & ANN

ANN MM & ANN


27

Kesimpulan

Realtime pathfinding dpt diselesaikan dg. MM (long steering algo.) dan ANN (short steering algo.).

Neural agent hanya butuh 1 hidden layer u/ mempelajari 2 komponen penting realtime pathfinding

Dg. penambahan MM tidak mempengaruhi fps secara signifikan drpd metode sebelumnya.

Metode yg diusulkan lebih optimal dg. panjang path 3x lebih pendek dan waktu tempuh 3x lebih cepat drpd metode sebelumnya.


28

Saran

GA diganti dg NEAT (Stanley & Mikkulainen, 2002) karena dapat mengevolusi bobot dan topologi.

Collision per frame dapat dikurangi dg. menggunakan Clearpath (Guy, et.al, 2009) sbg short steering algo.


29

Minimal Memory Abstraction & Jaringan Syaraf Tiruan untuk...

Documents

Transcript of Minimal Memory Abstraction & Jaringan Syaraf Tiruan untuk...