Koneoppiminen Unity-pelimoottorissa

Abstract

Insinöörityön päätarkoituksena oli tutkia koneoppimisen soveltuvuutta pelikehityksessä. Työssä koneoppimisen soveltuvuutta tutkittiin erityisesti pienen peliprojektin näkykulmasta. Lisäksi työssä selvitettiin yleisesti koneoppimisen perusteita. Tavoitteena oli luoda tekoälylle haastava tilanne, jossa koneoppimisen rajoja voitiin testata helposti.

Tekoälyn koulutusta varten luotiin 2D-peli Unity-pelimoottorilla. Koneoppimiseen käytettiin Unity ML-Agents-työkalupakettia. Tekoälyn oppimistuloksien seuraamiseen käytettiin TensorBoard-työkalua.

Työtä varten kehitettiin pieni avaruuslentelypeli. Pelissä tarkoituksena oli voittaa vastustaja tuhoamalla vastustajan alus. Koulutus tapahtui käyttämällä self-play-koulutusmenetelmää, jossa tekoäly harjoittelee omaa klooniansa vastaan.

Lopputuloksena todettiin, että ML-Agents-työkalun käyttö oli todella helppo aloittaa ja sen avulla pystyi nopeasti toteuttamaan yksinkertaisen tekoälyn. Täysin toimivaa tekoälyä ei kuitenkaan saatu valmiiksi, mutta toisaalta peliin suunnitellulle tekoälylle asetettiin melko korkeat vaatimukset, jotta pystyttiin selvittämään, mihin koneoppiminen pystyy. Koneoppimisen hyödyt ja ongelmat tulivat työssä hyvin esille. Koneoppimisen käyttö pienissä peleissä vaikutti varteenotettavalta vaihtoehdolta, jos pelin tekoäly oli suunniteltu hyvin.

The main purpose of the thesis was to investigate the applicability of machine learning in game development. In particular, the suitability of machine learning was investigated from the perspective of a small game project. In addition, the thesis explained the basics of machine learning in general. The aim was to create a challenging situation for AI where the limits of machine learning could be easily tested.

To train the AI, a 2D game was created using the Unity game engine. The Unity ML-Agents toolkit was used for machine learning. The TensorBoard tool was used to monitor the AI's learning results.

A small spaceflight game was developed for this work. The goal of the game was to defeat the opponent by destroying the opponent's ship. Training was done using the self-play training method, where the AI trains against its own clone.

The end result was that the ML-Agents toolkit was really easy to get started with and allowed for a quick implementation of a simple AI. However, it was not possible to complete a fully functional AI, but on the other hand, the AI designed for the game was set quite high standards in order to see what machine learning could do. The benefits and problems of machine learning were well illustrated in the work. The use of machine learning in small games seemed to be a viable option if the game's AI was well designed.