Integrating Probabilistic Model for Detecting Opponent Strategies Into a Starcraft Bot

Abstract

Nedávný výzkum na poli umělé inteligence (UI) pro real time strategie (RTS) poukázal na potřebu vývoje počítačem ovládaných hráčů (botů) se schopností adaptovat svoji strategii v závislosti na akcích oponenta. Mezitím co pozorujeme pokrok v detekování oponentovy strategie mimo hru, použití této informace ve hře zatím neslaví úspěch. Představujeme verzi UAlbertaBota obohacenou o existující probabilistický algoritmus pro strojové učení s učitelem ze záznamů z hry a predikci strategie. Tento bot schopný adaptovat svoji strategii se ukázal být lepším než náhodný bot, jak znázorňujeme na simulovaném turnaji botů ve hře StarCraft: Brood War. Naše práce také poukazuje na důležitost scoutování a adaptace strategie. Dalším zlepšováním strategií může být dosaženo umělé inteligence schopné zápasit s lidskými hráči.

Recent research in artificial intelligence (AI) for real time strategies (RTS) has shown a great need for a computer controlled agent (bot) to be able to adapt its strategy in response to opponent's actions. While some progress has been made in detecting opponent's strategies offline, there has not been much success in using this information to guide in-game decisions. We present a version of UAlbertaBot enhanced by existing probabilistic algorithm for supervised learning from replays and strategy prediction. Bot that adapts its strategies has proved to be superior to a random bot as we show in simulated StarCraft: Brood War AI tournament. Our work exposes the importance of scouting and strategy adaptation. By further improvement of strategies, a bot capable of competing with human players may be created.