지능형 게임 환경 만들기
지능적으로 반응하는 가상 플레이어나 논플레이어블 게임 캐릭터를 만드는 것은 쉽지 않으며, 게임이 복잡할수록 더 까다롭습니다. 개발자는 지능적인 동작을 만들려면 엄청난 양의 코드를 작성하거나 고도로 전문화된 툴을 사용해야 했습니다.
Unity 머신러닝 에이전트(ML-Agents)를 사용하면 더 이상 새로운 동작을 코딩할 필요가 없으며, 대신 지능형 에이전트가 심층적인 강화 학습과 모방 학습의 조합을 통해 학습하도록 가르치면 됩니다. ML-Agents를 사용하면 보다 매력적인 게임플레이를 구현하고 게임 경험을 개선할 수 있습니다.
모델의 학습을 위한 현실적이고 복합적인 AI 환경 구현하기
인공지능(AI) 연구가 발전하려면 현재의 AI 모델 학습용 벤치마크를 사용하여 기존 환경에 존재하는 어려운 문제를 해결해야만 합니다. 하지만 이러한 문제가 '해결'되고 나면 새로운 환경의 필요성이 대두되곤 합니다. 하지만 그러한 환경을 조성하려면 많은 시간과 전문적이고 특별한 지식이 필요한 경우가 많습니다.
Unity와 ML-Agents 툴킷을 사용하면 풍부한 물리적, 시각적, 인지적 요소를 갖춘 AI 환경을 조성할 수 있습니다. 새로운 알고리즘과 메서드의 연구는 물론이고 벤치마킹에도 이러한 환경을 사용할 수 있습니다.
교육을 확장할 필요가 있으신가요?
ML-Agents 사용자가 확장 가능한 클라우드 인프라에서 학습할 수 있도록 지원하는 ML-Agents 클라우드 제품군이 올해 말 출시될 예정입니다. 이 클라우드 제품군을 사용하면 수많은 동시 교육 세션을 제출하거나 여러 머신 전반에 걸쳐 교육 세션을 손쉽게 확장하여 결과를 더 빠르게 도출할 수 있습니다.
현재 ML-Agents를 사용하고 있으며 실험의 확장 및 관리에 지원이 필요하다면 프리뷰 액세스에 등록하세요.
JamCity 스누피 팝의 학습 속도 향상
유니티는 에이전트가 JamCity의 버블 슈팅 게임인 스누피 팝(Snoopy Pop)을 학습하도록 하기 위해 JamCity와 협업을 진행했습니다. 에이전트가 스누피 팝을 플레이하도록 학습시키는 과정에서 직면한 어려움 중 하나는 효과적인 동작과 전략을 학습하기 위한 대량의 게임플레이 데이터였습니다. 게다가, 개발 중인 대부분의 게임이 계속해서 변하므로 학습 시간이 상당히 빨라야 했습니다. 이러한 문제를 해결하기 위해 유니티는 Asynchronous Environments, Generative Adversarial Imitation Learning(GAIL), Soft Actor-Critic 등과 같은 ML-Agents의 여러 기능을 도입했습니다.
절차에 의해 생성된 자연스러운 느낌의 수많은 몬스터
캐리 캐슬(Carry Castle)이 제작한 로그류 액션 게임인 Source of Madness에서 플레이어는 동적으로 계속 변하는 세상을 모험하면서, 게임을 플레이할 때마다 절차에 의해 생성되고 강력한 머신러닝 AI로 생생하게 구현되는 새로운 몬스터와 전투를 벌입니다.
적 몬스터를 만드는 과정에서 소규모 팀에 다양한 도전 과제가 주어졌습니다.
- 몬스터를 제어하는 물리 시스템은 특이하고
- 수많은 배리에이션의 몬스터가 존재하며
- 몬스터가 자연스럽게 보여야 했습니다.
이 팀에서는 ML-Agents 툴킷, 특히 심층 강화 학습을 사용하여 올바른 동작을 생성하는 신경망 모델을 교육 및 제작했습니다. 그런 다음 Unity Inference Engine을 사용하여 모델을 게임에 임베드했습니다.
ML-Agents 동영상 확인하기
Unity 머신러닝이 적용된 카트 레이싱 게임 (튜토리얼)
Unity 머신러닝 툴킷 ML-Agents를 Unity의 카트 레이싱 게임 프로젝트에 구현하는 방법을 알아보세요. AI 에이전트가 레이캐스트로 '보고', 장애물을 피해 운전하고, 트랙을 알아서 주행하도록 교육하기 위해 강화 학습이 사용됩니다.
비행기를 날리는 지능형 에이전트
이 프로젝트는 Unity ML-Agents를 통해 어떻게 강화 학습이 비행기의 비행 학습에 사용되었는지를 보여줍니다. 해당 비행기는 레이캐스트로 시야를 확보하여 공중을 자유롭게 날아 다닙니다. 이 프로젝트에서는 에이전트 교육에 모방 학습을 사용하기도 했습니다.
축구를 학습하는 AI
두 가지 인공 신경망이 신경망 학습을 위한 심층 강화 학습을 사용하여 간단한 축구 게임에서 서로 맞붙습니다. 이 축구 게임은 ML-Agents 프레임워크에 포함되어 있으며 GitHub에서 제공됩니다.
차량 주차를 학습하는 AI
AI가 Unity ML-Agents로 구현된 3D 물리 시뮬레이션으로 주차장에서 차량 주차를 학습합니다. 이 AI는 각각 128개의 뉴런이 포함된 세 개의 레이어가 숨겨져 있는 심층 신경망으로 이루어집니다. 강화 학습 접근 방식인 PPO(Proximal Policy Optimization) 알고리즘으로 학습이 이루어집니다.
금속성 폐기물 수집 로봇
Xbox 컨트롤러를 사용하여 게임 플레이 방법을 학습하는 AI
게임 패드, Unity 플랫폼, ML-Agents 툴킷을 사용하여 스스로 플레이 방법을 학습한 비디오 게임에 대해 알아보세요. 이 실험에서는 강화 학습 시나리오에 하드웨어를 사용합니다.
로켓 착륙을 학습하는 AI
이 프로젝트에서는 Unity 피직스를 사용하여 로켓을 착륙시키도록 신경망을 교육합니다. PyTorch를 사용하는 PPO(Proximal Policy Optimization)로 학습이 이루어지고 Google Cloud에서 실행됩니다. 약 1,500만 개의 단계로 학습이 이루어졌습니다.
인공위성 AI
이 프로젝트에서는 ML-Agents를 사용하여 하나의 축으로 회전하는 인공위성을 안정시킵니다. AI가 점화 또는 정지 가능한 두 개의 인공위성 엔진을 제어합니다. 회전하는 인공위성의 세션으로 시작됩니다. 인공위성이 목표 안정성을 달성하고 회전을 멈춘 다음 위치를 보정하기까지 ML-Agents 학습에 2시간이 소요되었습니다.
은폐/탈출 - 추격해 오는 적으로부터 회피하기
스텔스 게임 장르에서 아이디어를 얻은 이 프로젝트는 각 방을 다니며 정찰을 수행하는 기존 AI로부터 성공적으로 달아나 숨을 수 있도록 에이전트를 교육하기 위해 설계되었습니다. 두 번째 배리에이션은 커리큘럼 학습을 사용하여 더 빨라진 AI를 상대로 학습하도록 제작되었습니다.
버터와 팬케이크를 전달하는 로봇
이 프로젝트의 목표는 아침 식사 만들기의 자동화였습니다. 에이전트는 머신러닝을 사용하여 팬에서 접시로 팬케이크를 옮기고 로봇은 장애물을 감지하며 버터를 전달합니다.
최신 블로그 게시물
최신 하이라이트를 확인하거나 블로그에서 더 많은 게시물을 살펴보세요.
ML-Agents Hummingbird Course
ML-Agents 구현 방법 알아보기
유니티는 Immersive Limit와 협업하여 연습, 코드 워크스루, 유용한 논의를 통해 ML-Agents의 구현 방법을 알려주는 온라인 교육을 개설했습니다.
커뮤니티 참여
질문하고, 답변을 찾고, 유니티 직원을 포함한 다른 Unity ML-Agents 전문가 및 실험자와 소통하세요.
지원 문제
유니티 Github 페이지에서 지원 문제 신고
자세하거나 복잡한 시나리오가 있나요?
문의하기 - ml-agents@unity3d.com
