0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

IAUSを実装する — テキストRPGで100体のNPCはどう考えるか

0
Posted at

概念から実装へ

IAUS:Infinite Axis Utility Systemについての概要をまとめた下記記事の実践編です。
https://qiita.com/sanmal/items/d0aff6057d81dce6dbcc

IAUSが何をするかについて解説しましたが、今回は実際にどのように動作するかの実践編です。
概要記事で紹介したようにIAUSはConsiderationのMAPに1エントリ足すだけでNPCの行動を変えることが可能です。
現在私が個人開発しているテキストベースで100体+のNPCを登場させるゲームのコードを例にとって解説したいと思います。
実装環境:TypeScript + SvelteKit, Branded Types, SoA (Structure of Arrays)

Section1:3段パイプライン - IAUSの心臓部

1-1.パイプライン全体図

IAUSの心臓部を担う要素は

  • Consideration フックする各要素
  • Response Curve 反応がどのように推移するか
  • Compensation FActor その行動を構成する全要素から求められる最終スコア

の3段で構成されています。

入力値 → [正規化] → [Response Curve] → [スコア集約] → 最終スコア
  ↑                                            ↓
Consideration                            Compensation Factor
(任意の数)                               (幾何平均)

3段はそれぞれ独立しており、新たな要素を追加する際にも容易に拡張可能です。

1-2.正規化(Normalization)

正規化は各要素を 0〜1間の値として定義します。
これによってHP、距離、空腹度などの異なる単位を全て同じ基準で比較することを目的としています。

function normalize(x: number, min: number, max: number): number {
  return Math.max(0, Math.min(1, (x - min) / (max - min)));
}

1-3.反応曲線(Response Curve)

反応曲線1Response Curveを構成するのは以下の4つの要素で、
m - 曲線の種類
k - 累乗曲線の指数
C - X軸への修正値
b - Y軸への修正値
デフォルトでは等倍の線形グラフとして設定されています。

Parameter Name Role Default
m Slope Slope/scale coefficient 1.0
k Exponent Power-based shape 1.0
c X-Shift Horizontal shift 0.0
b Y-Shift Vertical shift 0.0

XY軸に対するグラフとして表現され、グラフは5種類に大別されます。
5type of Response Curves


1-3.1 グラフの種類 Linear(線形)

$$
y = m × x + b
$$

特性:入力と出力が一定の比率で対応。

ゲームAI全般での使用例

使用場面 入力 出力 解説
HP依存の行動意欲 HP比率(0〜1) 行動スコア HPが高いほど比例して積極的に行動
距離による関心度 正規化距離 関心スコア 近いほど関心が高い(m=-1で反転)
所持金による購買意欲 所持金比率 購買スコア 資金に比例して購入を検討
残り時間の焦り 残時間比率 焦りスコア 時間が減るほど線形に焦る

使うべき場面の判断基準

  • 入力と出力の関係が「素朴に比例する」場合の第一選択
  • デバッグ時に挙動が読みやすいため、プロトタイプ段階で全Considerationにまず適用し、後から他の曲線に差し替える運用が推奨される
  • 「閾値っぽい挙動」「中間が最適」といった非線形な要求がない限り、Linearで十分なケースは多い

1-3.2 グラフの種類 Logistic(ロジスティック)

$$
y = k / (1 + e^ {-m (x-c)}) + b
$$
特性: cが閾値位置、mが閾値付近の急峻さを決定。ゲームAIで最も重要な曲線。

パラメータの意味

パラメータ 役割 調整例
m(傾き) S字の急峻さ。大きいほどスイッチ的 m=5: ゆるやか、m=15: 急峻、m=50: ほぼステップ関数
c(中心) S字の中心位置(閾値) c=0.3: 低い値で反応、c=0.7: 高い値で反応
m(負値) 曲線を反転(高入力→低スコア) m=-15: HP高い→緊急度低い

ゲームAI全般での使用例

使用場面 入力 m, c 解説
HP危機判定 HP比率 m=-15,c=0.3 HP30%を境に「回復しなきゃ」が急上昇
空腹による食事欲求 満腹度 m=-10, c=0.4 満腹度40%を下回ると食事スコアが急上昇
脅威度による逃走判断 脅威レベル m=15, c=0.5 脅威50%を超えると逃走を真剣に検討
日没後の帰宅欲求 時刻(正規化) m=12, c=0.75 夕方(18時≒0.75)を境に帰宅スコアが急上昇
疲労限界の休息欲求 疲労度 m=20, c=0.8 疲労80%を超えると「もう休みたい」が支配的に
装備充実度 装備スコア m=-10, c=0.6 装備が一定水準に達すると「買い物」スコアが低下

使うべき場面の判断基準

  • 「ある閾値を境に判断が切り替わる」場面の第一選択
  • BTの if-else を連続関数に置き換えたいときの最有力候補
  • 性格表現の中核: 同じLogistic曲線でm, cを変えるだけで「臆病」「勇敢」「慎重」「無謀」が表現できる(グラフ3が示す通り)
  • mを極端に大きくすると実質的にステップ関数になるため、BTからの移行にも使いやすい

1-3.3 グラフの種類 Parabolic(放物線型)

$$
y = 4x(1 - x)
$$
特性: x=0.5で最大値1.0。両端で0。「中間が最適」を表現する唯一の曲線。

ゲームAI全般での使用例

使用場面 入力 解説
社交頻度の適正 最近の社交回数(正規化) 孤独すぎても過度な社交でもストレス。適度な交流が最善
食事量の満足度 満腹度 空腹は不快だが、満腹すぎても不快。腹八分が最適
労働時間の充実感 労働量(正規化) 暇すぎても過労でも不満。適度な忙しさが充実感を生む
気温の快適度 温度(正規化) 寒すぎても暑すぎても不快。中間温度が最適
人口密度の居心地 エリア人口密度 過疎も過密も嫌。適度な賑わいが好ましい
挑戦の難易度 課題の難易度 簡単すぎても退屈、難しすぎても挫折。適度な難易度がフロー状態を生む

使うべき場面の判断基準

  • 「多すぎても少なすぎてもダメ、ちょうどいいのが最善」という場面で唯一無二
  • 「中間が最適」を表現する唯一の基本曲線。他の4種はすべて単調な増加/減少
  • 5種の中で最も「人間的」な判断を表現できる曲線(中庸・バランス志向)

1-3.4 グラフの種類 POlynomial(べき乗曲線)

$$
y = (m(x - c))^k + b
$$
特性:kの値で曲線の「加速感」を制御。k>1で後半加速、0<k<1で前半加速。

k値による形状変化

k値 形状 直感的な意味
k=0.5 平方根型(前半急、後半鈍化) 「最初の変化は大きいが、慣れが生じる」
k=1 線形(Linearと同じ) 比例
k=2 二次曲線(前半鈍、後半急) 「近づくほど加速度的に重要になる」
k=3 三次曲線(さらに極端) 「最後の一押しが圧倒的に重い」

ゲームAI全般での使用例

使用場面 入力 k値 解説
距離の脅威度 敵との距離(反転) k=2 敵が近づくほど脅威が加速度的に上昇。遠い敵はほぼ無視
スキル習熟の効果 スキルレベル比率 k=0.5 序盤のレベルアップ効果が大きく、高レベルで伸びが鈍化(収穫逓減)
群衆の圧迫感 周囲の人数(正規化) k=2 少人数では気にならないが、密集すると急激に不快
疲労の影響 疲労度 k=2 軽い疲労は無視できるが、蓄積すると急激にパフォーマンス低下

使うべき場面の判断基準

  • 「距離」「蓄積量」のように、ある地点を境に重要度が急変する場面
  • Logisticとの使い分け: Polynomialは「加速/減速のカーブ」、Logisticは「閾値での切り替え」。明確な閾値があるならLogistic、なめらかな加速感ならPolynomial

1-3.5 グラフの種類 Logit(対数オッズ関数)

$$
y = log((x + ε) / (1 - x + ε))
$$
特性: Logisticの逆関数。中間域は線形的に緩やかで、両端(0付近と1付近)で急変する。

ゲームAI全般での使用例

使用場面 入力 解説
備蓄の安心感 食料/資源の備蓄率 中間量なら安定。極端に少ない→パニック、極端に多い→もう要らない
人気/評判への反応 NPCの評判値 普通の評判なら反応は穏やか。極端に良い/悪い評判のみ行動に影響
温度の快適度 環境温度(正規化) 適温範囲は快適。極端な暑さ/寒さでのみ行動が変わる
リスク認知の歪み 成功確率 確率50%付近は冷静に判断。0%付近や100%付近で判断が極端に振れる(プロスペクト理論的)

使うべき場面の判断基準

  • 「両端で極端、中間で安定」というパターンに限定される
  • 実用上、Logisticの組み合わせ(低閾値と高閾値の2つ)で代替できるケースが多い
  • 数学的にはLogisticの逆関数という関係が美しいが、ゲームデザイナーにとってはLogisticの方がパラメータの意味が直感的
  • Dave Markの原著でも「5種用意はしているが、実際のプロジェクトで使う頻度は低い」と位置づけられている

1-3.6 同じ入力で異なる反応

このように同じ要素を用いても対応するResponse Curveが違うと出力も変わってきます。
下のグラフは同じHPという入力に対する出力の例です。
青色は線形なのでHP比率がそのままスコアになるので、HPが高い=元気という状態を素朴に反映しています。
対して赤い破線はS字曲線で、HPが30%を下回るとスコアが急変します。HPがある閾値を下回ると回復、回避、逃走などの行動を積極的に行うという表現に結びつきます。

この2色のグラフは両方とも同じHP比率というConsiderationから出力された結果ということです。
つまりResponse Curveはデータをどう解釈するかを定義しています。
BTで赤い破線のS字曲線を再現するならif hp < 30%という閾値判定を書くことになりますが、30%という閾値の前後で行動が不連続に切り替わるという不自然さが発生します。
S字曲線なら閾値付近の遷移がなめらからで、パラメータの変更だけで「もう少し慎重/大胆」な性格を演出可能です。

Same Input, Different Curve


1-3.7 同じ曲線で異なる反応

今度は同じResponse Curveを使用して、2人のキャラの性格の違いを表現します。

下のグラフのピンクの実践は「臆病なキャラ」として設定されており、恐怖への閾値が低く設定されています。驚異度がわずか0.2の段階で、すでに逃走スコアが0.5を超え、弱い敵が遠くに見えただけで逃げ腰になるような反応です。
対して、青い破線は「勇敢なキャラ」で、勾配が比較的緩やか、かつ閾値が高いイチにあるので、驚異度が0.7に達するまで逃走スコアは低いままで、それを超えてようやく逃走を検討する。
この違いResponse Curveの該当パラメータを調整するだけで表現可能です。

Personality Shapes Response


Section2: Considerationの解剖

2-1.Considerationインターフェイス

interface Consideration {
  id: string;
  name: string;
  inputFn: (actorId: EntityId, targetId: EntityId | null, context: WorldContext) => number;
  inputMin: number;
  inputMax: number;
  curveType: CurveType;
  curveParams: { m: number; k: number; c: number; b: number };
}

inputFnは(actor, target, context)の3つに統一しています。

  • actor:「誰が」考えているか → NPCのステータスにアクセス
  • target:「誰/何に対して」考えているか →対人行動や場所
  • context:「世界の状態」 → 時刻、天候など
    現在開発中のゲームが1Dのテキストベースなため、この3つがあればゲーム世界のほぼすべての判断材料を表現できるため、2D,3Dの場合は必要な要素が増えるかと思われます。

2-2.具体例で読む3つのConsideration

own_health(自分のHP):もっともシンプルな例
['own_health', {
  inputFn: (actor, _, ctx) => ctx.npcHP[actor]! / ctx.npcMaxHP[actor]!,
  inputMin: 0, inputMax: 1,
  curveType: 'linear',
  curveParams: { m: 1, k: 1, c: 0, b: 0 },
}]
  • target未使用(_)、contextからHP取得
  • 曲線は線形:Linear → HPが高いほど単純に高スコア

own_health_critical(HP危険域):同じ入力値、違う曲
['own_health_critical', {
  inputFn: (actor, _, ctx) => ctx.npcHP[actor]! / ctx.npcMaxHP[actor]!,
  inputMin: 0, inputMax: 1,
  curveType: 'logistic',
  curveParams: { m: -15, k: 1, c: 0.3, b: 0 },
}]
  • 同じHP比率を入力するが、曲線がLogistic(m=-15)
  • HP30%以下で急激にスコア上昇 → 「逃げる」「回復する」行動の緊急度
  • ポイント: 入力関数を使い回して曲線だけ変えれば、同じデータから異なる「判断基準」が生まれる

target_familiarity(相手との親密度): targetを使う例
['target_familiarity', {
  inputFn: (actor, target, ctx) => getRelationshipScore(actor, target!),
  inputMin: -100, inputMax: 100,
  curveParams: { m: 0.5, k: 1, c: 0, b: 0.5 },
}]
  • target使用 → 「この相手」に対する判断
  • b=0.5で最低値0.5を保証 → 見知らぬ相手にも最低限の社交はする
  • ポイント: 3引数のうちどれを使うかで、自己参照/対象参照/環境参照を自在に切り替え

2-3. ConsiderationをMapに登録する

const STANDARD_CONSIDERATIONS: Map<string, Consideration> = new Map([
  ['own_health', { ... }],
  ['own_health_critical', { ... }],
  ['target_familiarity', { ... }],
  // ← ここに1行足すだけで新しい判断軸が増える
]);
  • なぜMapなのか → Decision側がconsiderations:'own_health','target_familiarity']とIDで参照するだけ。疎結合
  • 新しいConsiderationの追加は「このMapに1エントリ」+「使いたいDecisionのconsiderations配列にID追加」の2箇所のみ
  • IAUSコアエンジン(evaluateDecision関数)に一切触れる必要がない

Section3:評価フロー

3-1.単体評価
function evaluateDecision(
  actorId: EntityId,
  decision: UnifiedDecision,
  context: EvaluationContext
): number {
  const scores: number[] = [];
  
  // ① Static Considerations(キャッシュ可能)
  scores.push(calculateStaticScore(decision.id, archetypeId));
  scores.push(getDirectionAffinity(archetypeId, decision.tags.direction));
  
  // ② Dynamic Considerations(毎回計算)
  for (const considId of decision.considerations) {
    const consideration = CONSIDERATIONS.get(considId);
    const rawInput = consideration.inputFn(actorId, decision.targetId, context);
    const normalized = normalize(rawInput, consideration.inputMin, consideration.inputMax);
    const curvedScore = applyCurve(normalized, consideration.curveType, consideration.curveParams);
    scores.push(curvedScore);
  }
  
  // ③ 集約
  let finalScore = aggregateScores(scores);
  finalScore *= decision.weight;
  return finalScore;
}
  • tatic/Dynamic分離の理由 → Staticは性格×行動の相性。ゲーム中に変わらないからキャッシュできる。Dynamicは世界の状態依存で毎回変わる
  • Section:1の3段パイプラインの具体化:① キャッシュ引く → ② 各Considerationを正規化+曲線変換 → ③ 全スコアを幾何平均集約

3-2. バッチ評価
function evaluateAllNPCs(npcIds: EntityId[], decisions: UnifiedDecision[], context): BatchResult {
  const staticCache = precomputeStaticScores(decisions);  // ← 全NPC共通で1回
  for (const npcId of npcIds) {
    for (const decision of decisions) {
      // evaluate with cache...
    }
  }
}
3-3. パフォーマンスの現実
指標 目標 根拠
1体あたり < 0.5ms 60fps前提で16ms/frameの3%以下
100体バッチ < 50ms 全NPC評価はフレーム外で非同期実行
  • テキストベースゲームだからこその処理速度ではあります

Section 4:汎用IAUSとゲーム固有設計

ここで開発中のゲーム個別の設計内容へ簡単に触れておきます。
ゲームの動作はエントリースマホでもNPC100名+がワチャワチャ動くログを出力しても問題なく動作する軽量なPWAとして設計しています。
テキストベースということもあり既存のゲームエンジンを使用すると、出来る限り軽く、早くを目指す設計からは余分なものが含まれているために独自実装しているため、コードの内容などは汎用性に欠けるかと思いますのでご了承ください。


4-1. Unified Tag System × Static Score
  • 5種タグ(Direction, Axis, Motivation, WorldMark, Situation)がIAUSのStatic Considerationsにマッピングされる仕組み
  • タグスコア(-500〜+500)→ 正規化(0〜1)の変換
  • なぜタグベースなのか → 「スキルにも場所にもNPCにも共通のタグを振る」ことで、同じ評価パイプラインでスキル行動も社交行動も探索行動も扱える

4-2. Archetype System × Direction Affinity
function getDirectionAffinity(archetypeId: ArchetypeId, direction: DirectionType): number {
  switch (direction) {
    case DIRECTION.ACTIVE: return archetypeStorage.weightActive[archetypeId]! / 100;
    case DIRECTION.PASSIVE: return archetypeStorage.weightPassive[archetypeId]! / 100;
    case DIRECTION.SOCIAL: return archetypeStorage.weightSocial[archetypeId]! / 100;
  }
}
  • 32のアーキタイプ(性格パターン)ごとにACTIVE/PASSIVE/SOCIALの比重が異なる
  • 3方向に分けた理由 → アクション指向型、観察指向型、対話指向型の3大行動分類。第1記事のResponse Curveの性格表現がここで実現されている
  • Branded Types(ArchetypeId)によってアーキタイプIDとエンティティIDの混同をコンパイル時に防止

4-3. SoA + TypedArray + Branded Types
  • なぜオブジェクトではなくTypedArrayなのか → 100+エンティティのバッチ処理でキャッシュ効率が決定的に違う
  • EntityIdブランド型が「このnumberは検証済みのエンティティID」を型レベルで保証
  • とにかく軽く、エントリーレベルのスマホでも動作することを目指している
  • 私が組み込み出身なためにOOPよりSoAに馴染みがある

Section 5:まとめと次の展望

前回の記事ではIAUSの概略だけをほぼテキストのみで作成したので、実装するにあたっての手順として正規化 → Response Curve(反応曲線1) → 幾何平均集約の紹介と、特にResponse Curveの種類により1つの入力からなめらかに様々な出力が得られる具体例を紹介しました。

英語圏からの情報を個人で収集して紹介しておりますので、間違いなどご指摘いただけると幸いです。
次回はIAUSを使って、より生き生きとしたNPCを作成するために考えている手法についてご紹介できればと思います。

皆さんと皆さんのNPCに良きゲームライフを!

  1. 反応曲線という訳語は今回の記事執筆に際して元のResponse Curveを直訳したもので公式なものではありません。 ↩ ↩2

0
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
0
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?