• NPC, o NonPlayer Character, son los elementos que el ordenador controla en un videojuego.
• Agente, una entidad inteligente. Cuando un sistema maneja más de un agente se le llama sistema multi-agente.
• Animat, criaturas autonomas con un cuerpo artificial en un mundo virtual.
• Agente personificado, criatura viva sujeta a las restricciones de su entorno.
• Interface formalizada, guía de codificación que define una comunicación entre el código correspondiente al ente en su entorno con su inteligencia, optimizando así el motor de la AI. - Ver más abajo -
• Aprendizaje, adquisición de nuevas habilidades y conocimiento.
  • Optimización
• Adaptación directa cuando el motor de AI cambia en tiempo de ejecución. Indirecta si no.

• Evaluación perezosa, ninguna información del mundo será dada a la AI hasta que esta no la pida.
• Mecanismos de eventos, permiten que la AI no tenga que mirar continuamente el mundo, cuando algo relevante ocurre la AI es informada.
• Funciones en línea, permite a las interfaces estar separadas.
• Configuración de optimización, se usa para agilizar las peticiones usando sólo la información que puede ser comprobada visualmente.
• Batching, es la técnica de recoger futuras acciones o peticiones para procesarlas luego.

• Aprendizaje supervisado, se realiza de forma generalizada, necesitan modelos para reconocer patrones.
• Refuerzo en el aprendizaje, evaluan las acciones dándoles valor numérico.
• Evolución evalua la secuencia de acciones a partir de distintos bloques de mejora.
• Aprendizaje no supervisado, el programador provee una guía.

• Enseñanza, se refiere a ejemplos dados al animat por los humanos para que este llegue a entender qué hacer.
• Imitación, permite al animat copiar la forma de actuar de otro ente, permitiendo ampliar su experiencia de forma externa.
• Prueba y error, el animat aprende de su entorno a medida que realiza distintas acciones sobre este.
• Moldeado, a partir de acciones sucesivas el animat va aprendiendo. Una vez aprenda tareas concretas podrá aprender las complejas.

Las reacciones en elementos con AI se clasifican en deterministicas y no deterministicas. Todos los elementos con AI reciben inputs (datos de entrada) y producen un output (dato de salida). Cuando este es predecible, es decir, cuando entran los mismos datos en distintas situaciones y producen un mismo output, se le llama sistema deterministico. Pero si el elemento guarda un estado y este influye en futuras decisiones teniendolo en cuenta además que a los inputs, se le llama sistema no deterministico. Por lo tanto, si este estado se trata como un input podemos decir que un sistema no deterministico se comporta como uno deterministico.

La diferencia entre planear y reaccionar reside en que al planear se piensa\calcula antes. La acción de planear, también conocida como deliverative algorithms, es un proceso no deterministico en el que existen factores que se deben de tener en cuenta para tomar una serie de decisiones; al implementar la elavoración del 'plan' se utilizan algoritmos de búsqueda, un ejemplo es el algoritmo del pathfinding, y se requiere mayor uso de memoria y de cálculos. En cambio mediante 'reacciones' es posible llegar a realizar una serie de acciones de forma tan correcta como si hubiesen estado planeadas con anterioridad. Aún así existen casos en los que es necesario hacer uso de la planificación, por ejemplo si un elemento recorre un terreno y se topa con un obstáculo ha de reaccionar, si está programado con el uso de reacciones utilizará una serie de información sobre obstáculos para esquivarlo, pero si en este caso se utiliza un algoritmo de planificación el problema se trataría como una pequeña parte del conjunto global del terreno dando así un resultado más robusto.

Las reactive techniques (técnicas de reacción) son totalmente deterministicas, su tiempo de cálculo constante y no existe deliveración (momento para pensar), sino que la respuesta es un reflejo que casi aparece (o debe aparecer) inmediatamente, lo que las hace perfectas para su utilización en juegos. Existen distintas técnicas para implementerlas:

• Scripts, pequeños programas que se ejecutan según unos parámetros de entrada.
• Sistemas basados en reglas, una serie de if…then seguidos que manipulan las variables.
• Máquinas de estado finitas, son reglas que definin un comportamiento para cada situación.

La implementación de AI en juegos es la unión de varios componentes juntos que se comunican entre ellos, este grupo de componentes se le llama arquitectura. Y viene dada por:

• Los componentes, serían como una caja cerrada que hace su función mediante un input y su comportamiento interno es desconocido externamente.
• La organización, la forma en la que se relacionan los componentes, existen tres tipos:
  • Monolitica, con un solo componente. Para problemas sencillos.
  • Lineal (flat), muchos componentes en paralelo.
  • Jerarquica, componentes anidados dentro de otros, por ejemplo, distintas acciones (cazar, utilizar escudo, utilizar hacha…) dentro de otras (comportamiento defensivo, ofensivo…).
• La descomposición, la parte central de la AI, se basa en como dividir un problema en distintas partes y resolverlas.
  • La descomposición estructural divide la solución en función de cada componente. Por ejemplo un componente para coger armas, otro para el movimiento…
  • La descomposición de comportamiento se basa en las distintas actividades del sistema (cazar, huir, explorar…).
  • Descomposición por metas utiliza la meta del sistema para determinar como dividir su comportamiento.
• La arbitrariedad define como se mostrará\interpretará el output.
  • Independiente conecta cada componente con distintos outputs.
  • Combinación permite mezclar outputs de distintos componentes para obtener un resultado final.
  • Supresión de outputs significa que algunos componentes tienen prioridad sobre otros, los cuales pueden llegar a ser ignorados.
  • Secuencial trata la salida de diferentes componentes alternandolas en el tiempo.

Ejemplos de distintos tipos son la subsumption architecture, usa descomposición de comportamiento y una organización lineal con supresión de outputs, este sistema se utiliza para implementar inteligencia táctica. Un sistema de votos usa descomposición funcional, organización lineal y una combinación de outputs. Este método puede ser interpretado como distintos componentes responsables de acumular votos, la salida con más votos sería la elegida.

El entorno de un juego se divide, básicamente, en:

• Estructura: Parte del entorno que puede física afectar al movimiento (suelo, murallas, puertas, muebles…) y que por tanto no son triviales para el usuario.
• Detalle, consiste en la parte estética del entorno, cosas insignifcantes que no tienen relevancia.

Otros jugadores o elementos se tratarían de forma separada, tanto como un elemento interactua con ellos o como ellos interactúan con el mundo, lo que es distinto para los personajes dirigidos por humanos y para los dirigidos por computador, los primeros reciben información mediante estimulos visuales, mientras que los segundos primero reciben (generalmente antes de empezar el juego) una simplificación del entorno (ya sea por guías, puntos clave por donde pasar…) y luego, a medida que el juego avanza, lo van interpretando.

En la forma de interpretar el entorno de un juego intervienen ciertas propiedades de este así como las dimensiones (2d o 3d) o su precisión. Para definir la precisión existen dos formas, la discreta (definida en un grid dividido por celdas (derecha)) y la continua (definida por coordenadas (izquierda)). Otra propiedad que delimita un juego es el tiempo, el momento en que una acción puede ocurrir, que en la misma forma que el espacio este puede ser clasificado como continuo o discretos (donde se analizan las acciones acciones por rangos de tiempo).

El movimiento autonomo es la capacidad de un elemento de moverse sin nada que intervenga en sus propias decisiones. Para que mediante AI podamos crear un movimiento autónomo en un elemento primero tendremos que recoger información sobre el entorno. Generalmente, en videojuegos, lo que se hace es colocar una serie de waypoints (puntos clave o guías) con valores que indiquen cuales son los siguientes posibles waypoints en el camino, acciones posibles a hacer en ese punto… Hasta podemos llegar a implementar un algoritmo de rutas sobre estos waypoints (un algoritmo de rutas como A*, también llamados pathfinding algorithms o planning algorithms).

El reto del movimiento es generar una secuencia de pequeños pasos que agrupados formen rutas con significado, para conseguirlo se intenta emular las cualidades de los seres humanos haciendolo…

• Realista.
• Eficiente, debido a que generalmente es una acción constante el código debe de ser fluido
• Alcanzable, la AI debe garantizar que no irá nada mal y que alcanzará su destino.
• Con un proposito, si se realiza movimiento ha de ser por satisfacción de un deseo.

Una de las características que el movimiento autónomo tiene es la capacidad de esquivar obstáculos, lo cual es una tarea fácil de programar; pongamos los cuatro ejemplos básicos:

1. Cuando no hay obstáculos cerca del animat → Este puede moverse adia delante de forma normal, vagando o en línea recta.
2. Cuando hay un muro a un lado → Debería apartarse de este, en plan preventivo.
3. Si hay un obstáculo delante → Debería girar hacia un lado hasta esquivarlo.
4. Si el animat se queda atascado en una esquina → Debería dar media vuelta.

Cuando el animat debe analizar el entorno se deben de tener en cuenta una serie de conceptos, poniendo como ejemplo la acción de evitar un obstáculo, estos son:

1. Plataforma, el conjunto de software\hardware, donde la AI debe actuar. Por ejemplo el juego en sí.
2. Tarea, las metas que la AI debe alcanzar dentro de la plataforma. Por ejemplo entender el entorno para prevenir colisiones.
3. Información, datos disponibles dentro de la plataforma para poder llevar a cabo la tarea. Por ejemplo, la estructura y detalle del entorno.
4. Resultado (outcome), las distintas soluciones a la tarea. Por ejemplo, la detección de colisiones.
5. Input, el conjunto de información posible dado en un formato entendible para la AI. Por ejemplo, los obstáculos cercanos.
6. Output, las posibles acciones que pueden llevrse a cabo y que combinadas generan el resultado. Por ejemplo, el motor de movimiento.
7. Contexto, los elementos en los que puede influir el resultado y los que restringen los inputs. Por ejemplo, la velocidad, posición… del animat.
8. Problema, la descripción que se le da a la AI de la tarea. Por ejemplo, evitar los obstáculos.
9. Solución, la acción concreta que resuelve el problema, obtiene el resultado y segue los requisitos. Por ejemplo, la realización del movimiento.

La fase de análisis envuelve dos conceptos:

1. Tarea general, la abilidad que damos al animat cuando usamos AI.
2. Plataforma, aspectos del diseño (entorno) y software (simulación física) que afectan a la tarea.

El resultado del análisis se divide en tres partes:

1. Supuestos. De la misma forma que los jugadores humanos, el módulo de la AI debe recibir información sobre los elementos que le facilitan su tarea.
2. Restricciones. La parte de la plataforma que afecta a la tarea y que dificulta que esta sea realizada. Por ejemplo la estructura del terreno que impide algunos movimientos.
3. Guías. Son aspectos de diseño (o procedimientos a seguir) que deben ser tenidos en cuenta mientras se realiza esta fase.

Esta fase enfoca una tarea particular, entender como deberá funcionar la solución y definir lo mejor posible el problema. Esto depende de tres conceptos:

1. Metas, lo que queremos que la AI haga.
2. Requisitos, lista de elementos que se han de tener en cuenta a la hora de solucionar el problema.
3. Restricciones, aspectos que afectan a la solución del problema.

La definición del problema se basa en ciertos criterios que se deben aplicar para llegar al resultado deseado, que una vez conseguido se creará una secuencia de acciones que el animat llevará a cabo realizando así la solución.

Para indicar el movimiento a realizar necesitamos antes entender los inputs, outputs y el contexto.
Ch8, pg90