인공지능 공룡 게임 만들기
지금까지 수업을 통해 우리는 물리엔진을 이용하여 게임을 만드는 방법과 인공지능의 개념을 학습하였습니다.
인공지능 기술과 관련해서는 유전 알고리즘과 인공 신경망에 대해서 공부했던 것 기억하시죠?
오늘 수업에서는 지난 수업에서 만든 공룡 게임에 인공 지능 기술을 적용해 보도록 하겠습니다.
1. 기존 공룡 게임 복제하기
지난 공룡 게임 만들기 4와 같이 외부 파일을 사용하기 때문에 p5.js 웹에디터로 실습을 합니다.
- 웹브라우저에서 p5.js 웹에디터를 실행시킵니다.
- 마지막으로 만들었던 공룡 게임 프로젝트를 복제합니다. 선생님의 프로젝트를 복제해도 됩니다. 선생님의 공룡 게임 프로젝트
- 여기에 추가로 인공 신경망 관련 파일을 다운 받아 그림과 같이 파일을 웹에디터에 업로드 합니다. 인공 신경망 파일 다운받기
- 참고로 nn.js 파일과 matrix.js 파일은 깃허브에 공개된 자바스크립트용 인공신경망 라이브러리입니다. 신경망 라이브러리를 분석하는 것은 다음 기회로 미루고 우리는 라이브러리의 기능을 사용하기만 해보겠습니다.
2. 유전 알고리즘과 인공 신경망의 적용
공룡 게임에 유전 알고리즘과 인공 신경망이 어떻게 적용되는지를 정리하면 다음과 같습니다.
- 50마리의 공룡으로 이루어진 집단을 만듭니다.
- 공룡의 유전자는 인공 신경망 객체입니다.
- 인공 신경망은 다음과 같이 구성됩니다.
- 각 공룡마다 장애물을 뛰어 넘으면서 인공 신경망을 통해 언제 점프할 것인지를 학습합니다.
- 장애물과 충돌한 공룡들은 적응도가 낮아서 퇴화되고 오랫동안 살아남은 공룡, 즉 적응도가 높은 공룡은 교배풀에 더 많이 배정되고 선택될 확률이 높아집니다.
- 교배풀에서 임의의 공룡을 뽑아 인경신경망 객체를 유전자로 자식을 생성합니다. 이때 유전자끼리 교차는 하지 않고 돌연변이만 일정확률로 발생시킵니다.
- 새로운 집단을 구성하여 이전 세대에서 넘겨 받은 학습된 인공신경망 유전자를 계속 학습시켜 나가면서 진화합니다.
3. 인공지능 공룡 게임 구현하기
기존 공룡 게임 코드를 재활용하고 유전 알고리즘과 인공 신경망이 코드로 어떻게 추가되는지를 의사코드로 나타내면 다음과 같습니다.
class Dino {
constructor(x, y, m, r, brain) {
유전자로 이전 세대에서 학습된 인공 신경망 brain을 받아온다.
첫 세대에서는 NeuralNetwork 클래스(nn.js안에 구현되어 있음)를 이용하여 brain 객체를 생성.
인공 신경망은 입력층 3개(공룡 y위치, 장애물의 높이, 장애물의 x위치), 은닉층 8개, 출력층 2개(점프, 달리기)로 설정.
}
mutate() {
돌연변이는 nn.js에 구현된 mutate(발생확률) 함수를 사용.
}
think(장애물 객체) {
가장 가까운 장애물을 선택하여 인공 신경망 입력층에 정보를 입력하고 학습하여 점프할지 달릴지를 출력값으로 받아옴.
}
}
class Obstacle { 장애물 클래스 }
function preload() {
이미지 파일만 로드함.
용량 메모리 관계로 이번에는 소리 파일은 로드하지 않음.
}
function setup() {
개체수 만큼 공룡 집단을 생성한다.
}
function draw() {
공룡 객체와 장애물 객체를 움직이고 충돌을 감지한다.
지나간 장애물은 배열에서 제거한다.
장애물과 충돌한 공룡은 saveDinos 배열에 저장한다.
공룡 집단이 모두 장애물과 충돌했으면 교배풀에서 다음 세대를 구성한다.
}
function nextGeneration() {
집단의 모든 공룡의 적응도를 계산한다.
적응도가 높은 공룡이 선택될 확률이 높으며 선택한 공룡으로 새로운 다음 세대 집단을 구성한다.
}
function pickOne() {
적응도가 높은 공룡이 더 많이 선택되게 한다.
}
function calculateFitness() {
적응도는 오래 살아남을 수록 높게 계산한다.
}
인공 지능을 적용한 공룡 게임을 같이 살펴봅시다.
세대를 거치면서 인공신경망으로 학습하고 유전 알고리즘으로 진화를 하면서 결국에는 공룡이 점프 규칙을 찾아내는 것을 볼 수 있을 것입니다.
4. 인공지능 공룡 게임 전체 코드
완성된 시뮬레이션 코드는 다음과 같습니다. 주석을 달아놓았으니 꼼꼼히 살펴보시고 질문이 있으면 언제든지 교무실로 오거나 클래스룸에 댓글을 달아주세요.
const TOTAL = 50; // 집단 개체수
let dinos = []; // 공룡 배열
let saveDinos = []; // 장애물과 충돌한 공룡 객체를 저장하
let cacti = []; // 장애물 선인장 배열
let jumpVelocity = -7; // 점프 속도
let runSpeed = 2; // 장애물 이동 속도(공룡의 x 방향 이동속도)
let counter = 0; // 장애물이 지나가는 빈도를 체크
let gameScore = 0; // 스크린에 표시되는 게임 점수
let mass = 8; // 공룡 객체 생성시 무게
let size = 10; // 공룡 객체 생성시 크기
let generation = 1; // 세대
class Dino {
// 유전자로 이전 세대에서 학습된 인공 신경망 brain을 받아온다.
constructor(x, y, m, r, brain) {
this.pos = createVector(x, y - r);
this.vel = createVector(0, 0);
this.acc = createVector(0, 0);
this.m = m;
this.r = r;
this.score = 0; // 각 공룡이 오래 살아남은 정도
this.fitness = 0; // 공룡이 오래 살아남은 정도를 적응도로 계산
// 첫 세대에서는 NeuralNetwork 클래스(nn.js안에 구현되어 있음)를 이용하여 brain 객체를 생성. 다음 세대에 인공신경망을 유전자처럼 전달.
if (brain) {
this.brain = brain.copy();
} else {
// 입력층 3개, 은닉층 8개, 출력층 2개를 의미.
this.brain = new NeuralNetwork(3, 8, 2);
}
}
jump() {
if (this.pos.y == height - this.r) {
this.vel.y = jumpVelocity;
}
}
applyForce(force) {
let f = p5.Vector.div(force, this.m);
this.acc.add(f);
}
update() {
// 적응도는 오래 살아남은 정도를 의미.
this.score++;
this.vel.add(this.acc);
this.pos.add(this.vel);
this.acc.set(0, 0);
}
edge() {
if (this.pos.y >= height - this.r) {
this.pos.y = height - this.r;
}
}
collisionDetection(cactus) {
// 경계 검사 기본값을 세팅
let testX = this.pos.x;
let testY = this.pos.y;
// 공룡과 선인장(사각형 모양)의 어느쪽 경계가 가까운지 확인함.
if (this.pos.x < cactus.x) {
testX = cactus.x; // 장애물 왼쪽 위치 확인
}
else if (this.pos.x > cactus.x+cactus.w) {
testX = cactus.x+cactus.w; // 장애물 오른쪽 위치 확인
}
if (this.pos.y < cactus.y) {
testY = cactus.y; // 장애물 위쪽 위치 확인
}
else if (this.pos.y > cactus.y+cactus.h) {
testY = cactus.y+cactus.h; // 장애물 아래쪽 위치 확인
}
// 사각형 장애물의 가장 가까운 면에서 공룡까지의 거리 구하기
let distX = this.pos.x-testX;
let distY = this.pos.y-testY;
let distance = sqrt( (distX*distX) + (distY*distY) );
// 두점 사이의 거리가 공룡크기보다 작으면 충돌 판정
if (distance <= this.r) {
return true;
}
else {
return false;
}
}
show() {
imageMode(CENTER);
if (frameCount % 4 == 0 || frameCount % 4 == 1)
image(dinoRun_1, this.pos.x, this.pos.y, this.r * 2, this.r * 2);
else
image(dinoRun_2, this.pos.x, this.pos.y, this.r * 2, this.r * 2);
}
// 돌연변이는 nn.js에 구현된 mutate(발생확률) 함수를 사용
mutate() {
this.brain.mutate(0.5);
}
// 가장 가까운 장애물을 선택하여 인공 신경망 입력층에 정보를 입력하고 학습하여 점프할지 달릴지를 출력값으로 받아옴.
think(cacti) {
let closest = null;
let closestD = Infinity;
for (let i = 0; i < cacti.length; i++) {
let d = (cacti[i].x + cacti[i].w) - this.pos.x;
if (d < closestD && d > 0) {
closest = cacti[i];
closestD = d;
}
}
// 입력층 3개(공룡 y위치, 장애물의 높이, 장애물의 x위치)
let inputs = [];
inputs[0] = this.pos.y / height;
inputs[1] = closest.y / height;
inputs[2] = closest.x / width;
// 출력층 값을 받아와서 점프 확실도가 달리기 확실도 보다 높으면 점프
let output = this.brain.predict(inputs);
if (output[0] > output[1]) {
this.jump();
}
}
}
// 장애물 클래스
class Obstacle {
constructor(w, h) {
this.x = width;
this.y = height - h;
this.w = w;
this.h = h;
}
move() {
this.x -= runSpeed;
}
show() {
imageMode(CORNER);
image(cactusImg, this.x, this.y, this.w, this.h);
}
}
// 이미지 파일만 로드함.용량 메모리 관계로 이번에는 소리 파일은 로드하지 않음.
function preload() {
dinoRun_1 = loadImage('asset/dino_run1.png');
dinoRun_2 = loadImage('asset/dino_run2.png');
dinoJump = loadImage('asset/dino_jump.png');
cactusImg = loadImage('asset/cactus.png');
dinoDead = loadImage('asset/dino_dead.png');
cloudImg = loadImage('asset/cloud.png');
}
function setup() {
createCanvas(400, 200);
//tRex = new Dino(width/10, height, 8, 20);
for (let i = 0; i < TOTAL; i++) {
dinos[i] = new Dino(width/10, height, mass, size);
}
}
function draw() {
background(220);
let gravity = createVector(0, 2);
// 선인장 장애물이 너무 가깝거나 너무 떨어지지 않도록 조건을 설정하여 장애물을 생성
if ((random(1) < 0.01 && counter > 40) || cacti.length == 0 || cacti[cacti.length - 1].x < 50) {
cacti.push(new Obstacle(random(10,20),random(20,30)));
counter = 0;
}
counter++;
for (let i = cacti.length - 1; i >= 0; i--) {
cacti[i].move();
cacti[i].show();
// 장애물과 공룡의 충돌을 감지하고, 충돌하면 공룡 객체를 dinos 배열에서 제거하고 제거된 공룡을 saveDinos 배열에 저장함.
for (let j = dinos.length - 1; j >= 0; j--) {
if (dinos[j].collisionDetection(cacti[i])) {
saveDinos.push(dinos.splice(j, 1)[0]);
}
}
deleteObstacle(i);
}
// 각 공룡객체를 신경망으로 학습시키고 운동시킴
for (let tRex of dinos) {
tRex.think(cacti);
tRex.applyForce(gravity);
tRex.update();
tRex.edge();
}
// 모든 공룡이 장애물과 충돌하여 세대가 전멸하면 교배풀에서 다음 세대를 구성
if (dinos.length === 0) {
counter = 0;
nextGeneration();
cacti = [];
}
for (let tRex of dinos) {
tRex.show();
}
// 스크린에 점수와 세대를 표시함.
showScore();
showGeneration();
}
function deleteObstacle(i) {
if ((cacti[i].x + cacti[i].w) < 0) {
addPoint();
cacti.splice(i, 1);
}
}
function addPoint() {
gameScore += 5;
}
function showScore() {
textSize(20);
text("점수 : ", width-120, 20)
text(gameScore, width-50, 20);
}
function showGeneration() {
textSize(20);
text("세대 : ", 20, 20)
text(generation, 80, 20);
}
// 집단의 모든 공룡의 적응도를 계산한다.적응도가 높은 공룡이 선택될 확률이 높으며 선택한 공룡으로 새로운 다음 세대 집단을 구성한다.
function nextGeneration() {
calculateFitness();
for (let i = 0; i < TOTAL; i++) {
dinos[i] = pickOne();
}
saveDinos = [];
gameScore = 0;
generation ++;
}
// 적응도가 높은 공룡이 더 많이 선택되게 한다
function pickOne() {
let index = 0;
let r = random(1);
while (r > 0) {
r = r - saveDinos[index].fitness;
index++;
}
index--;
let tRex = saveDinos[index];
let child = new Dino(width/10, height, mass, size, tRex.brain);
child.mutate();
return child;
}
// 적응도는 오래 살아남을 수록 높게 계산한다
function calculateFitness() {
let sum = 0;
for (let tRex of saveDinos) {
sum += tRex.score;
}
for (let tRex of saveDinos) {
tRex.fitness = tRex.score / sum;
}
}
오늘의 과제
p5.js 웹에디터 에서 아래 과제를 해결한 여러분만의 프로그램을 만들어 클래스룸 댓글에 공유를 해주세요.
(1) 인공지능 공룡게임에서 장애물 속도를 변화시키거나 인공 신경망 입력층 또는 은닉층을 변화시켜서 공룡이 다양한 상황에서 더 똑똑해지도록 만들어 보세요.
(2) 더 다양한 조건에서 똑똑하게 장애물을 넘으며 진화하는 공을 유전 알고리즘과 인공신경망으로 구현한 다음 사례를 살펴보세요. Ernest Schmidt의 스마트볼