草丁图书馆

  1. 首页 > 生活杂烩 > >

《航海王热血航线》ai赋能游戏对战( 二 )


处变不惊：AI已经不再频繁的跑动 ， 而是学会了静观其变 ， 在关键时刻出手一击 。并且 ， 这一阶段的AI学会了位置上的压制 ， 可以在移动中逐渐逼迫对手落入竞技场边缘以便最后的攻击
经过不断训练 ， AI能够在不断的自对弈中不断提升智能水平 ， 发现很多新的技巧 ， 逐渐成为一个绝世高手 。然后我们通过延迟操作输出、减少连招次数、降低技能使用概率等手段划分出不同难度的AI ， 提供给不同段位的玩家匹配使用 。并且我们也将AI适配到不同的玩法之中 ， 比如《航海王热血航线》中的烈焰对决玩法中的噩梦难度AI 。
00:16/00:56Loaded: 100.00%
从一开始的技术突破 ， 到后来的在产品中落地使用 ， 我们在这过程不断地积累经验、迭代模型、拓宽我们的技术应用 ， 让AI能够更好地服务于产品 。我们在打造新手陪玩AI、挫败温暖AI以此提升留存的同时 ， 也会继续制作人机挑战AI等全新游戏玩法 ， 让玩家体验人工智能的魅力 ， 提升玩家游戏的乐趣 。我们会在关注提升竞技性的同时 ， 也会更多关注拟人性 ， 提高玩家体验 。
数值平衡性测试
数值平衡性对游戏来说 ， 也很重要 ， 我们在这个应用场景希望解决的问题是 ， 不希望出现某个卡牌角色/某组角色组合阵容过于强大 ， 出现版本通吃的情况（这会降低玩家对其他角色的养成 ， 变相降低游戏收入） ， 以及能为策划提供更有力的决策依据 。
首先 ， 回顾一下传统的平衡性测试流程：
《航海王热血航线》ai赋能游戏对战
文章图片

文章图片

跑大量的对局
这里通常要考虑战前阵容 ， 这个数量非常大（全排列4,389,446,880种） ， 传统的做法是 ， 策划或者测试同学给出一些常见的阵容搭配或者某些搭配规则 ， 将全排列数量降至几万种级别 ， 然后两两对战100局 。
自动战斗
在跑大量的对局中 ， 对战过程需要决策 ， 所以一般情况是策划配置行为树（后面简称BT） ， 作为战中模拟玩家的决策 。
战中数据记录
我们需要记录每局战斗过程中的关键事件/数据 ， 比如击杀、增益buff次数、治疗量、抗伤量等等数据 ， 以便后面做数据分析
数据分析
经过上面三部 ， 有了大量的对局数据 ， 就可以通过数据统计 ， 分析出每个角色的一些数据 ， 为策划提供决策依据 。
从上面的过程中 ， 可以看到 ， 有两个地方有一定的弊端 ， 一个是阵容选择 ， 策划或者测试同学筛选出的阵容 ， 未必是真正的强势阵容 ， 可能会忽略掉更有潜力的阵容 。二个是自动战斗AI ， 使用BT编辑 ， 通常策略较单一、简单 ， 而无法发挥某些组合的真正能力 。
为此 ， 我们希望用强化学习 ， 尝试解决上述两个问题 ， 因为强化学习就是擅长决策最优选择去实现收益最大化 ， 可以打出策划意想不到的套路 。我们分为了两步来进行对比验证：
训练局内对战AI ， 来代替BT
结论：【随机阵容+局内AI模型】vs【随机阵容+内置BT】前者平均胜率59% 。这个结论说明AI模型能力要强于BT 。
训练阵容选择AI ， 来代替预先固定阵容
结论：【阵容AI模型+局内AI模型】vs【人工筛选强势阵容+内置BT】前者平均胜率96% 。结合第一步结果 ， 能说明阵容的重要性 ， 且AI更能发挥阵容/角色的能力 。
所以 ， 我们使用了这两个模型代替了阵容选择 ， 和战中决策BT ， 其他过程不变 。在自研的某游戏平衡性测试过程中 ， 我们做了个对比 ， 发现一个有趣的现象：AI输出的结果中 ， 某个定位前排角色 ， 胜率较高 ， 而传统测试输出他的胜率平平 。后来发现是因为策划在配置BT策略的时候 ， 有意的把一些稀缺资源 ， 配置给其他角色 ， 这样导致战斗过程中 ， 这个定位前排的角色 ， 拿不到稀缺资源 ， 就无法发挥出应有的实力 。

推荐阅读


上一篇：tes新阵容确定，knight决定留队后被粉丝喷到离队出走

下一篇：tt战队主动跳脸lpl：人没齐却要打揭幕战