Artificial Intelligence (AI)

1. Artificial Intelligence (AI) สัปดาห์ที่ 6Chasing and Evading อ.เทพฤทธิ์ สินธำรงรักษ์ เรียบเรียง

2. Topics • Basic rules of chasing and evading • Line of sight chasing • Chasing and evading in continuous environments • Line of sight chasing in tiled environments • Line of sight chasing in continuous environments • Intercepting : stopped enemy

3. Basic Chasing(การไล่ล่า) and Evading(การหนี) If (predatorX > preyX){ predatorX--; } else if (predatorX < preyX){ predatorX++; } If (predatorY> preyY){ predatorY--; } else if (predatorY< preyY){ predatorY++; }

4. Basic tile-based chase

5. Problem • เมื่อไหร่เราจะเริ่มไล่ล่า (Chasing) และเริ่มหนี (Evading) • หลักการง่ายๆให้คิดระยะทางระหว่างจุดที่ผู้ล่าอยู่ (Predator) กับเหยื่อ (Prey) ถ้าเท่ากับหรือน้อยกว่าระยะสายตาให้ทำการเริ่มไล่ล่า Line of sight Chasing • SQRT เป็นค่าระยะสายตา • โดยการเคลื่อนที่ไปหาเหยื่อจะมีแบบเป็นช่องตาราง (Tile) กับแบบต่อเนื่อง (Continuous)

6. Line-of-Sight • If the prey is not moving –the path followed is a straight line • Limited of direction • Tile-base movement can appear jaggy

7. Line-of-Sight • The predator always takes a straight line path towards the prey • The predator always moves towards the prey’s current position • Result: movement appears natural.

8. Line to move • Simple chase versus line-of-sight chase

9. Bad Good

10. Bresenham’s Algorithm Xk+1,Yk+1 Xk,Yk Xk+1,Yk คำถามคือจะเดินผ่านสีส้มหรือสีแดง

11. Bresenham’s Algorithm (Xk+1,Yk+1) Y=mX+b d2 d1 Y=mX+b (Xk,Yk) (Xk+1,Yk)

12. Summary • ได้สมการเป็น Pk+1 = Pk + 2ΔY(Xk+1 - Xk) - 2ΔX(Yk+1 - Yk) • ขั้นตอนการคำนวณ • InputFirst Point, End Point • Plot First Point • Cal ΔX,ΔY,2ΔY and 2ΔY- 2ΔX • Cal P0 = 2ΔY- ΔX • Loop Until Xk=XEndPoint If Pk >= 0 Choose (Xk+1,Yk+1) Pk+1 = Pk+ 2ΔY - 2ΔX If Pk < 0 Choose (Xk+1,Yk) Pk+1 = Pk+ 2ΔY

13. ExampleจงPlot จุดจาก (5,8) ไป (10,11) 11 10 9 8 10 5 6 7 8 9

14. Digital Differential Analyzer (DDA) • มี 4 กรณี • 1.m <= 1 (และมากกว่า 0) • 2.m > 1 • 3.m <=-1 • 4.m > -1 (และน้อยกว่า 0)

15. กรณี m <= 1 กรณี M>1 กรณี M>=-1 กรณี M<-1

16. ตัวอย่าง DDA

17. Type 1: Using delta values • function chasing(){ • deltaX=px2-px1; • deltaY=py2-py1; • px1=px1+deltaX*velocityPredator; • py1=py1+deltaY*velocityPredator; • }

18. Types 2:Using normalizing vector • delta[0]=Pos_prey[0]-Pos_predator[0]; • delta[1]=Pos_prey[1]-Pos_predator[1]; • deltaManitude=Math.sqrt(Math.pow(delta[0],2)+Math.pow(delta[1],2)); • Pos_predator[0]+=delta[0]/deltaManitude*Vpredator[0]; • Pos_predator[1]+=delta[1]/deltaManitude*Vpredator[1];

19. Intercepting Predator find/calculate point of intercepting

20. Types 3:Intercepting Scenario1 • Vr = Vprey – Vpredator ;Vrคือ ความสัมพันธ์ระหว่างความเร็วผู้ล่าและเหยื่อ • Sr = Sprey – Spredator ;Srคือ ระยะทางระหว่างผู้ล่ากับเหยื่อ • tc = |Sr|/|Vr| ;tcคือ เวลาเฉลี่ยที่ผู้ล่าจะวิ่งไปถึงเหยื่อ • St = Sprey + (Vprey)(tc); St คือ จุดที่คาดคะเนที่เหยื่อจะเดินทางไป

21. Line-of-Sight Chasing in Continuous Environments

22. Intercepting

23. Types 4:Intercepting Scenario2

24. Types 4:Intercepting Scenario2

25. References • David M. Bourg and Glenn Seemann. Creating Intelligent behavior in Games. 2004. ISBN: 0-596-00555-5

26. จบการนำเสนอ