Heutige Computerspiele bieten komplexe Umgebungen, die in ihrer Darstellung und Handlungsabläufen an die Realität angelehnt sind. Es handelt sich jedoch
nicht um Simulationen einer wirklichen Welt, sondern um eigene Welten mit eigenen Gesetzmäßigkeiten und Eigenarten. Lebendigkeit erhalten diese vor
allem durch menschliche Spieler, aber auch durch autonome Agenten.
Die Sensorik sowie das Reaktionsspektrum künstlicher Agenten innerhalb dieser Welten entsprechen qualitativ der eines menschlichen Spielers - die
Schnittstelle zur Spielewelt ist die gleiche. Betrachtet man Lernen als ein Klassifikationsproblem, so kann das benötigte Trainingsmaterial durch
einfaches Abhören der Schnittstelle akquiriert werden. Dadurch verfügt man über die einzigartige Möglichkeit, eine menschliche Reaktion auf einen
gegebenen Weltzustand komplett erfassen zu können, dieses zwar in einer eingeschränkten aber dennoch realen Umgebung.
Das Projekt beschäftigt sich mit dem Design künstlicher, lernender Agenten für Computerspiele. Es soll erforscht werden, wir durch verschiedene
Modalitäten Verhaltensstrategien innerhalb der eingeschränkten Welt eines Computerspieles gelernt werden können. Ein Schwerpunkt soll dabei das Lernen
und Imitieren komplexer menschlicher Verhaltensweisen bilden, dieses umfasst ausdrücklich auch soziale Interaktionsmöglichkeiten in Multi-Agenten Spielen.
Das Lernen von Verhaltensweisen wird hierbei grundsätzlich als ein Klassifikationsproblem aufgefasst. Diesem liegt die Annahme zugrunde, dass
sich die Reaktion eines Agenten aus dem sensorisch wahrgenommenen Weltzustand und aus seinem internen Zustand ergibt.
Zur Berücksichtigung unterschiedlicher Modalitäten ist die Verwendung und Kopplung mehrerer bereits entwickelter Verfahren denkbar. Klassifikatoren,
wie zum Beispiel Neuronale Netze, eignen sich zum imitierenden Lernen menschlicher Verhaltensweisen aufgrund von Beispielen. Die Weiterentwicklung
vorhandener Verhaltensweisen, aber auch die Ausprägung neuer Fertigkeiten ist durch Reinforcement-Learning möglich. Sowohl eine große Trainingsdatenmenge
als auch die zu erwartenden hochdimensionalen Merkmalsvektoren erfordern adäquate Datamining-Methoden, um die wesentlichen Elemente zu extrahieren. Da
es sich um eine Echtzeitanwendung in einer dynamischen Umgebung handelt, ist die Betrachtung der zeitlichen Weltentwicklungnotwendig. Dieses kann z.B. mit
Time-delayed-Neural-Networks erfolgen, aber auch rekurrente Netze oder Hidden-Markov-Modelle sind denkbar.
Ein Schwerpunkt soll dabei zunächst auf die Integration und Kopplung vorhandener Modalitäten zu einem imitierenden Agenten gelegt werden - Lernen
durch Beobachtung eines menschlichen Spielers. Dieses soll um Strukturen für eine selbständige Weiterentwicklung, aufbauend auf vorhandene
Verhaltensweisen, aufgebaut werden - Lernen durch Interaktion mit der Spielewelt.
Das wesentliche Ziel ist die Konstruktion eines Klassifikators, der in der Lage ist, globale Verhaltensstrategien in einer hochgradig dynamischen und
komplexen Umgebung zu erlernen.
