Utilizando un enfoque novedoso para calcular la estrategia del juego en tiempo real, los ingenieros han desarrollado un jugador artificial de la Sra. Pac-Man que muerde el puntaje alto existente para el juego computarizado.
En el popular juego de arcade, la Sra. Pac-Man debe evadir enemigos fantasmas mientras recoge objetos y navega por un laberinto poblado de obstáculos. El juego es algo favorito entre los ingenieros y los informáticos que compiten para ver quién puede programar mejorjugador artificial.
El puntaje récord en la competencia anual de captura de pantalla de la Sra. Pac-Man es de 36,280, pero un trío de investigadores dirigido por Silvia Ferrari, profesora de ingeniería mecánica y aeroespacial en Cornell, ha producido un puntaje de laboratorio de 43,720.
La puntuación se logró utilizando un enfoque de árbol de decisión en el que los movimientos óptimos para el jugador artificial se derivan de un laberinto de geometría y ecuaciones dinámicas que predicen los movimientos de los fantasmas con una precisión del 94.6 por ciento. A medida que el juego progresa, elel árbol de decisión se actualiza en tiempo real. La estrategia se detalla en el estudio "Un enfoque basado en modelos para optimizar las estrategias de juego de la Sra. Pac-Man en tiempo real", que publicará la revista Transacciones IEEE sobre Inteligencia Computacional e IA en Juegos .
"La novedad de nuestro método radica en cómo se genera el árbol de decisión, combinando ambos elementos geométricos del laberinto con objetivos de recopilación de información", dijo Ferrari, quien señaló que la información en este caso es el fruto de la Sra. Pac-Manacumula para obtener puntos de bonificación. Su equipo es el primero en modelar matemáticamente los componentes del juego, mientras que los jugadores artificiales anteriores se desarrollaron con métodos sin modelos.
Los ingenieros se interesan en los jugadores artificiales porque proporcionan un desafío de referencia para desarrollar nuevos métodos computacionales que se puedan aplicar a necesidades prácticas como la vigilancia, búsqueda y rescate y robótica móvil.
"Los problemas de ingeniería son tan complicados que son muy difíciles de traducir a través de las aplicaciones. Pero los juegos son muy comprensibles y se pueden usar para comparar diferentes algoritmos sin ambigüedad porque cada algoritmo se puede aplicar al mismo juego", dijo Ferrari.
Lo que comenzó como tal ejercicio se convirtió en un espectáculo en 1996 cuando Deep Blue, una computadora de ajedrez desarrollada por IBM, derrotó al campeón mundial Garry Kasparov en su primer partido. Sin embargo, le tomó a Deep Blue 11 partidos más para derrotar a Kasparov nuevamente.
El jugador de la Sra. Pac-Man de Ferrari se enfrenta a sus propios desafíos contra jugadores humanos. El estudio encontró que el jugador artificial no podía promediar mejores puntajes o producir puntajes más altos contra los humanos que jugaban rutinariamente.
"Es muy interesante qué problemas son más fáciles para los humanos y cuáles son más fáciles para las computadoras", dijo Ferrari. "En este momento no se comprende completamente qué elementos de un problema permiten que los humanos superen a las computadoras y es una pregunta que estamos investigando con neurocientíficos".a través de proyectos colaborativos apoyados por la Oficina de Investigación Naval y la National Science Foundation.
"En el caso de la Sra. Pac-Man, nuestro modelo matemático es muy preciso, pero el jugador permanece imperfecto debido a un elemento de incertidumbre en las decisiones tomadas por los fantasmas".
Sin embargo, el modelo de Ferrari produjo mejores puntajes que los principiantes y jugadores con habilidades intermedias. El jugador artificial también demostró que era más hábil que los jugadores avanzados en los niveles superiores del juego donde la velocidad y la complejidad espacial se vuelven más desafiantes.
Mientras que la Competencia de captura de pantalla de la Sra. Pac-Man ahora está en pausa indefinida, Ferrari dijo que aún puede volver a visitar el proyecto y mejorar el jugador artificial al agregar un componente que le permita aprender de forma autónoma de sus errores a medida que juega más juegos.
Fuente de la historia :
Materiales proporcionado por Universidad de Cornell . Original escrito por Syl Kacapyr. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :