【CEDEC2019】人工知能が敵キャラを育てる！ディープラーニングを使った次世代のゲームAI開発

2019.9.19ゲーム

9月4日から9月6日までパシフィコ横浜で開催されたCEDEC 2019では、ゲーム開発現場におけるAI技術の応用例や活用法に関するセッションが目白押しでした。今回は、その中からLuminous Productionsの「「強い」を作るだけが能じゃない！ディープラーニングで3Dアクションゲームの敵AIを作ってみた」というセッションを取材しました。

登壇者は、株式会社Luminous Productions所属で、スクウェア・エニックスの『FINAL FANTASY XV』（以下、FFXV）で仲間AIや写真AIを担当したプログラマーの上段達弘氏。講演では、3Dアクションゲームにおける敵キャラクターAIを低コストで制作するために、ディープラーニングを活用して『FFXV』風のバトルにおける戦い方をAIに自ら学習させる技術検証が披露されました。

AIを開発してくれるAI作り

従来のキャラクターAIの開発には、主にスクリプトやパラメータテーブルが使われてきました。『FFXV』ではLuminous Engineの「AIGraph」というツールを使用することで、エンジニア以外のスタッフも柔軟にキャラクターAIを作成できたとのこと。しかし、この方法では仲間やモンスターの数だけAIを作成することになるので、キャラクターが増えるほど開発コストが跳ね上がってしまいます。そこで、ディープラーニングを使って「AIを開発してくれるAIを作ろう」という発想にいたったそうです。

一方で、ゲームのキャラクターAIは将棋や囲碁のAIとは違い、ただ強ければいいわけではありません。たまにわざとスキを作ったり、一定の攻略パターンを用意したり、少しムダな動きを加えたりと、キャラクターに合わせた個性を演出することで“ゲーム的なAI”を作る必要があります。そのためにはAIが学習するだけでなく、ゲームプランナーが学習の方向性を決められ、かつ後からAIの挙動を調整できる仕組みが重要になってくるとのことでした。

ディープラーニングとは、多層のニューラルネットワークを使った機械学習の手法を指します。近年、画像認識や音声認識をはじめ、囲碁や将棋で人類を凌駕したコンピュータプログラム「AlphaZero」など、幅広い領域で応用されています。ニューラルネットワークは入力層、中間層、出力層から構成されており、この層が多いほど表現力が増していきます。そして、多層からなるモデルをディープニューラルネットワークと呼びます。

今回の技術検証では、シミュレーションによる強化学習を通じてAIにバトルを覚えさせていました。強化学習とは、AIの行動に報酬を設定し、一連の行動を通じて得られる報酬が最大になるように学習させる手法です。主にエージェントに正解を教えられないケースで用いられています。ある状態である行動を取った場合の価値を「Q値」、シミュレーションによってQ値を更新していくアルゴリズムを「Q学習」と呼びます。そして、Q学習をディープニューラルネットワークで実装したものが、「Deep Q-Network（DQN）」です。なお、Q値は特定の瞬間に得られる報酬に限らず、将来的にもらえそうな報酬も加味して計算されます。

AIの調教にはアメとムチが必要

シミュレーションの中でAIは、どんな状況でどの行動を選んだら、どれだけの報酬が得られたかを記録します。このデータを蓄積してニューラルネットワークを更新し、それぞれの状況における各行動の価値を修正していくという仕組みです。ちなみに、AIは原則的に価値がもっとも高い行動を選択しますが、シミュレーションでは行動に多様性を持たせるためにランダムな行動も織り交ぜているそうです。

このようにしてAIは効率的な戦い方を学んでいきます。一方で、不自然に見えないAIのクオリティを担保するには、さらなる工夫が求められます。今回の検証の中では、報酬獲得の効率だけを追求した結果、遠距離からひたすら飛び道具によるワンパターンな攻撃を繰り出すだけという、悪い意味で“勘のいい”AIが生まれた例が紹介されました。

これを解決するために、プラス報酬の条件を細分化したり、逆にマイナス報酬を導入したりと、アメとムチのような工夫を施してみたそうです。たとえば、「与えたダメージに応じてプラス報酬を変える」「相手の攻撃を避けられたらプラス報酬を与える」「敵に一定距離以上近づいたらプラス報酬」「敵との距離を一定に維持できたらプラス報酬」「連続で同じ行動を繰り返したらプラス報酬を与えない」といった具合。

反対にマイナス報酬の導入では、「受けたダメージに応じてマイナス報酬を与える」「攻撃を空振りしたらマイナス報酬を与える」「理想的な距離から離れたらマイナス報酬を与える」など。こうした工夫はAIの学習を劇的に改善してくれただけでなく、キャラクターのバトルスタイルに変化をもたらすことにも役立ったようです。また、複数キャラクターと一緒に戦っているシチュエーションでは、仲間が攻撃中は報酬をあげないという攻撃権を学習させることで、寄ってたかって攻撃するような混沌とした状況を回避できたということです。

このプロセスは敵AIだけでなく、プレイヤー操作の学習にも応用できます。今回の技術検証では、「攻撃ボタンを押しっぱなしで攻撃し、左スティックとの組み合わせでバリエーションが変化」や「防御ボタンを押しっぱなしで回避し、ダメージ時にタイミング良く防御ボタンで回復」など、プレイヤー側のパッド操作を学習させたそうです。これはプレイヤーの自動制御に活用できるほか、対戦型ゲームのAI作りに応用できる可能性もあるとのこと。講演の中では、前述した敵キャラクターのAIと、プレイヤー操作を学習したAIとの対戦デモが披露されました。

AIの学習結果を改ざんする仕組み

ここまでで、キャラクターに合わせた個性を演出することで“ゲーム的なAI”を作るという、1つ目の課題はクリアできたようです。しかし、これだけでは人間にとって思い通りのAIを作れるわけではありません。報酬の値を調整したり、必要に応じて入力を追加したりすることで、学習の方向性はある程度コントロールできますが、学習の結果がゲームプランナーの希望に沿うものでなかった場合、学習をやり直すしかないからです。しかも、学習をやり直したところで、必ずしも思い通りの結果にたどり着くとは限りません。

そこで学習した結果を改ざんできる仕組みとして、「価値の後調整システム」を作ったそうです。通称、ムチ打ちシステムと呼ばれるこの手法を使えば、時間がかかる再学習が不要です。たとえば、近距離における特定の技の使用頻度を上げたい場合、「敵との距離が3m以下なら技Aの価値を1点プラスする」のような指示を出すことで、ニューラルネットワークそのものを改変することなく、接近戦で技Aを使いやすくなるのだそうです。反対に、特定の技の使用頻度を抑制したい時にも、同様の調整が可能です。

学習プロセスをまとめると、アクションをリストアップしてから報酬パラメータを設定し、シミュレーションを実行。その結果を基に価値を調整していくという流れです。シミュレーションのログが蓄積したら、ニューラルネットワークを更新します。その後、新しいネットワークで再びシミュレーションを実行。この学習イテレーションを十数回繰り返すことで、適度な学習効果が見えてくるとのことでした。所要時間は最適化していない状態で、およそ5時間から7時間程度。一晩寝て待てば、それなりに賢いAIが誕生するというわけです。

ディープラーニングならではの課題

ディープラーニングを使った次世代のゲームAI作りにも、もちろんデメリットはあるようです。まず、同じ条件下でのシミュレーションでも毎回同じ結果が得られるとは限らないということ。しかも、そのまま学習を進めて挙動が改善する保証はありません。そのため、学習後に評価フェーズを挟むことで評価ログとバックアップを残し、後から任意の状態に復元できるようにしておくことが重要だそうです。

次に、多様な環境や異なる敵に対応するには、すべての可能性に対してそれぞれのシミュレーションが必要になること。AIはシミュレーション経験なしに新しい環境へ対応することはできません。たとえば、平地での戦いしか経験したことがないAIを高低差の激しい地形に放り込んでも、それまでの経験を生かすことは難しいというわけです。結果、あらゆる状況を想定してシミュレーションを実行することになるので、学習に要する時間が莫大に膨れ上がってしまうこともありえます。

さらに、学習AIには完全なパターン行動は難しいという特徴があります。たとえば、攻撃Aの後に必ず攻撃Bを出して欲しくても、AIの挙動は確率的に決定されるため必ずしも保証されないというわけです。これに対する解決策としては、学習行動を1つの状態として管理するという方法が提案されました。つまり、「AIGraph」のようなツールを使う場合にDQNによる学習行動を1つのノードとして扱い、特別な行動はその外に実装することで遷移させるというハイブリッド構造です。

最後に、バトルのシミュレーションを実行するには、必ず対戦する相手のAIも必要になるということです。敵キャラクターの動きを学習させるには、プレイヤーAIを別に用意しなければいけません。特に、学習結果のクオリティは相手AIの挙動によって変化するので、両者のAIを同時に学習させることは現実的ではないということでした。結果、シミュレーション用の相手AIを作る手間は必ず発生してしまいます。