Simulación de un juego de futbol utilizando una arquitectura Multiagente Reactiva

Transcripción

1 Simulacióndeunjuegodefutbolutilizandounaarquitectura Multiagente Reactiva Ana Lilia Laureano-Cruces 1, Denis Omar Verduga-Palencia 2 1 Departamento de Sistemas, Universidad Autónoma Metropolitana San Pablo 180, México D. F., México 2 Posgrado en Ciencia e Ingeniería de la Computación UNAM Edif. Anexo IIMAS, 3er piso Cto. Interior, Cd. Universitaria. D.F., México clc@correo.azc.uam.mx omar.verduga@gmail.com Resumen: El diseño de software basado en agentes representa una nueva perspectiva para las ciencias en computación y más específicamente, para la Inteligencia Artificial. Es una nueva teoría que ha innovado el análisis, el diseño e implementación del sistema del software. El diseño de agentes plantea problemas relacionados con: (1) el procedimiento de toma de decisión autónomo, (2) coordinación, (3) negociación, y (4) la manipulación de los estados mentales y la comunicación. En un sistema multi-agente reactivo, el grupo de agentes está sujeto continuamente a cambios locales. Estos cambios están diseñados por medio de reglas de comportamiento cuyos resultados están influenciados por el comportamiento del resto de los agentes. El diseño de estas reglas está inspirado por las ciencias biológicas o cognitivas. Particularmente, el diseño de reglas cognitivas corresponde con el principio de racionalidad; su perspectiva está enfocada en la interacción entre los agentes y de éstos con el entrono. Palabras clave: Multiagentes Reactivos, Agentes Autónomos, Enjambres, Propiedades Emergentes. 1. Introducción El diseño del software ha incorporado recientemente nuevas perspectivas de agentes en los campos de la ciencia computacional y específicamente en el área de la inteligencia artificial (IA). Esta nueva teoría esta innovando el análisis, diseño e implementación de un sistema de software [3, 4]. Uno de los problemas con la metodología es que existe poca referencia en la manera en la cual el análisis y el diseño se realizan. Además, está básicamente apoyado en la experiencia del diseñador y el dominio del problema. A pesar de estos defectos, hay herramientas que están bien definidas y las cuales contribuyen al desarrollo del análisis y el diseño [5-7]. El punto importarte con esta nueva teoría, es que puede modelar los comportamientos reactivos basados en agentes y por lo tanto los problemas complejos del mundo real, lo que significa que el software especializado situado dentro del mundo contaría con incertidumbre. Estos agentes también tienen un grado de autonomía que les permite alcanzar sus objetivos. El caso de estudio se refiere a la simulación de los comportamientos de jugadores de futbol. Los sistemas multi-agente son considerados un benchmark adecuado para comprobar enfoques de diseño y diversas arquitecturas desde la perspectiva de la Inteligencia Artificial, pues personas sin demasiado grado de conocimiento pueden percibir gráficamente si el funcionamiento de los agentes es adecuado (o al menos, no estúpido). Y en el caso futbol la ventaja es que muchas personas tienen nociones básicas del juego o incluso lo practican; debido a que es un juego relativamente simple [14]. 1.1 Comportamiento adaptativo La autonomía también se conoce como un comportamiento adaptativo y ella tiene la capacidad de ajustarse por sí misma a las condiciones del entorno. Según Beer [2], esta es la esencia de la inteligencia y es la habilidad animal para enfrentar de forma continua el mundo: complejo, dinámico e impredecible. Esta

2 habilidad es vista en términos de flexibilidad para ajustar el esquema de comportamiento a las contingencias en cualquier momento como producto de la interacción con el medio entorno. Nuestras funciones cognitivas más elevadas, son nuestra particular creación de esta capacidad básica y ellas están profundamente vinculadas a la capacidad de adaptación. Por otro lado, cuando agentes que simulan un comportamiento adaptativo son desarrollados, pueden ser realizados desde dos perspectivas [4,9]: el conocimiento y la adquisición del aprendizaje automático, o el dominio experto es codificado del experto humano. En nuestro caso de estudio diseñamos un comportamiento adaptativo considerado la experiencia humana [9]. Por otro lado el diseño de representación de entornos dinámicos puede ser a partir de dos acercamientos. En el primer grupo la IA tradicional consideraba que el éxito de un sistema inteligente está íntimamente ligado al grado de dominio del problema, el cual puede ser tratado como una micro abstracción del mundo (acercamiento de procesamiento simbólico), esto esta, al mismo tiempo, desconectado del mundo real. Existe otro grupo cuyo diseño es usualmente bottom-up. Es un diseño etológico y considera los pasos esenciales del comportamiento animal (sub-simbólico) [9]. 1.2 Agentes Debido a su utilidad y completa aplicabilidad muchas áreas de la ciencia en computación han rápidamente adoptado este simple y poderoso concepto. Actualmente, hay diferentes clases de agentes [8,9,15] de los agentes autónomos genéricos [11-13], agentes del software, agentes inteligentes, los más específicos; agentes del interfaz, agentes virtuales, agentes de información y agentes móviles. En cuanto a las diversas categorías de aplicación, éstos incluyen: sistemas operativos, proceso de datos de imagen, administración de distribución de la electricidad y juegos de computadora. Y de esta forma llegamos a la definición de un agente: De acuerdo a Sohoman, mencionado en [2]. Un agente es una entidad que puede ser descrita por su condición mental. Esta descripción consiste de algunos componentes, los cuales pueden ser: creencias, comisiones y capacidades (esta no es la única selección). La distribución de la condición mental de cada agente no puede incluir todos los componentes antes mencionados. Un agente es encapsulado en un sistema computacional que es ubicado dentro de un entorno, el cuál es capaz de actuar de manera flexible y autónoma, con lo que le permita que alcanzar sus objetivos [5]. Un agente es un sistema ubicado en y como parte de un entorno que percibe, y que desarrolla acciones con el tiempo; lo cual permite que alcance sus metas. Consecuentemente afecta su percepción futura [6]. En la inteligencia artificial, la introducción de agentes ha sido utilizada para lidiar con las dificultades finales que se tienen cuando tratamos de resolver problemas considerando las características del mundo exterior, o cuando el agente está implicado en un proceso de resolución de problema. Las soluciones para tratar los problemas pueden ser limitadas e inflexibles si no existe una buena percepción de las características externas del mundo. Como una respuesta a esta dificultad, los agentes reciben entradas del entorno a través de los dispositivos que permiten que perciban ese mundo. En respuesta a estas entradas, se desarrollan las acciones que causan efectos sobre el entorno. Los agentes continuamente realizan tres funciones; (1) percepción de las condiciones dinámicas que forman parte del entorno, (2) acciones que pueden cambiar las condiciones del entorno, y (3) razonamiento para interpretar opiniones, solucionar problemas, hacer inferencias y tomar una acción. La percepción conceptual arroja datos de entrada para el proceso de razonamiento y el proceso del razonamiento dirige la acción. En algunos casos la percepción puede guiar la acción directamente. Esta última es la propiedad principal que distingue al comportamiento producido por un agente reactivo y a un agente autónomo. En el caso de los agentes reactivos sus acciones son completamente determinadas por su situación inmediata. Los agentes autónomos de acuerdo a su estado interno pueden organizar su comportamiento en anticipación a configuraciones futuras de su entorno [2,8,9].

3 Uno de los problemas en el diseño de estos agentes es establecer un proceso de toma de decisiones con dominios subjetivos. Los entornos naturales tienen una gran cantidad de estructuras de las cuales un agente adecuadamente diseñado puede depender y hasta explotar activamente. Hablando estrictamente sobre las cosas requeridas para alcanzar un comportamiento adaptativo, es necesaria una congruencia estructural entre los mecanismos dinámicos internos del agente y el entorno dinámico externo. Mientras exista esta compatibilidad, ambos el entorno y la unidad actúan como fuentes mutuas de disturbio, de lanzamiento y de condiciones que alteran su comportamiento. 2. Enfoque del diseño de la aplicación La simulación se enfoca en la generación de una formación de juego que maximice la ocupación de la cancha durante el proceso de ataque al mismo tiempo que minimice los espacios del equipo defensivo. Se asume, como en el futbol real, que cualquier jugador, puede ver cualquier rincón de la cancha con solo girar su cabeza [1,3]. Este problema es considerado un caso especial de los enjambres y parvadas, puesto que se necesita cierta separación, alineación y cohesión. Este tipo de mecanismo se usa en videojuegos donde no todos los miembros de la escuadra son controlados por humanos. El diseño de la granularidad conductual en los sistemas reactivos está íntimamente ligado al diseño de la conducta de los agentes reactivos. En general se hace con base en la experticia del diseñador, pero, es de vital importancia [8,10]. Atkinson-Abutridy y Carrasco [7] destacan 3 enfoques básicos utilizados para diseñar la conducta de los agentes reactivos: 1) el diseño guiado etológicamente, 2) el diseño por experimentos y 3) el diseño guiado por actividad situada. El diseño guiado etológicamente permite diseñar el agente tomando en cuenta los estudios fundamentales de la conducta animal; moldeándolos, experimentándolos y evaluándolos de una forma repetitiva, hasta obtener un comportamiento adecuado. Se puede profundizar este diseño en: [8-10]. El diseño por experimentos se lleva a cabo de forma bottom-up dotando al sistema de conductas básicas; experimentándolas, evaluándolas e incorporando conductas adicionales a medida que vayan siendo requeridas en función del comportamiento final. El diseño guiado por actividad situada se enfoca sobre las acciones del agente, y por lo tanto, sus conductas según las situaciones con las que se encuentre en un determinado momento y entorno [8]. Por lo tanto es fundamental encontrar las percepciones específicas que provocarán una determinada acción sobre un entorno preestablecido. Se puede profundizar en este tipo de análisis y diseño en: [7-10]. Independientemente del método de diseño global utilizado, el control del agente dependerá de dos aspectos claves: 1) la representación y codificación de las conductas, y 2) la coordinación entre ellas. En el caso de estudio utilizamos la metodología propuesta en [7,8] con el fin de determinar las conductas situadas de cada uno de los agentes. 3. Análisis del sistema Para el análisis se asumen once jugadores por equipo. La simulación estará compuesta por: 1) un agente autónomo, que cambia su posición; de estado a estado, dependiendo del agente que tiene la posesión del balón, 2) veintiún agentes que deciden sus movimientos tomando como base el agente autónomo. En caso de que no exista un agente con posesión del balón, entonces se deciden con respecto a la posición absoluta del balón (el campo), 3) los objetos principales son: el balón, la portería y las líneas que marcan secciones del campo. Las metas de un portero son: 1) alejar el balón, o 2) colocarse adecuadamente en la portería. Las metas de un jugador de campo son: 1) si la situación es clara; disparar a portería, 2) en caso contrario; conservar la posesión del balón. Es importante mencionar que en este proyecto los agentes representados en la implementación por las: clases Rival y Compañero cuentan con las siguientes características:

4 Autónomos: no son controlados por humanos. Cooperativos: se comunican con otros agentes. Perceptivos: perciben el entorno y reaccionan a él. También afectan al entorno a través de su interacción. Proactivos: su comportamiento está dirigido a metas. Por otra parte, las clases Balón y Portería son objetos: es decir, son pasivos, y si bien reaccionan a estímulos externos, no presentan un comportamiento dirigido a metas Especificación de los distintos comportamientos En esta sección se describen los comportamientos encapsulados en cada uno de los agentes basándonos en la metodología sugerida en [8,9]. Los casos son los distintos escenarios a los que puede enfrentarse un agente. Cada uno de las clases: Rival y Compañero, puede jugar el rol de portero o jugador de campo Comportamientos del: agente portero Caso 1 Precondiciones: tiene el balón Motivación: aleja peligro. Postcondición: despejar el balón. Caso 2 Precondiciones: no tiene el balón, y el balón está en su área. Motivación: alejar el peligro. Postcondición: acercarse balón. Caso 3 Precondiciones: no tiene el balón, y el balón no está en su área Motivación: proteger portería. Postcondición: colocarse en portería Comportamiento del: agente jugador de campo Caso 1 Precondiciones: tiene el balón, no hay rival cercano y está cerca de la portería rival. Motivación: meter gol/mantener la posesión. Postcondición: disparar a portería/ Conducir o esperar movimiento de compañeros. Caso 2 Precondiciones: tiene el balón, no hay rival cercano y no está cerca de la portería rival. Motivación: mantener la posesión. Postcondición: Conducir o esperar movimiento de compañeros. Caso 3 Precondiciones: tiene el balón, hay rival cercano y está cerca de la portería rival. Motivación: meter gol. Postcondición: disparar a portería. Caso 4 Precondiciones: tiene el balón, hay rival cercano y no está cerca de la portería rival. Motivación: conservar posesión. Postcondición: pasar el balón a compañero.

5 Caso 5 Precondiciones: no tiene el balón y el balón lo tiene un compañero. Motivación: mantener posesión. Postcondición: colocarse en el campo de acuerdo con la posición del compañero y la posición de partida. Caso 6 Precondiciones: no tiene el balón, el balón lo tiene un rival y el balón esta cerca de la portería a la que pertenece el jugador. Motivación: interceptar tiro. Postcondición: colocarse en el campo de acuerdo con la posición del balón y la portería propia. Caso 7 Precondiciones: no tiene el balón, el balón lo tiene un rival y el balón está alejado de mi portería. Motivación: recuperar posesión. Postcondición: acercarse a la posesión actual del balón. Caso 8 Precondiciones: no está cerca del balón, nadie tiene posición del balón. Motivación: recuperar posición. Postcondición: acercarse a la ubicación ideal de acuerdo al balón y la formación. Caso 9 Precondiciones: está cerca del balón, nadie tiene posición del balón. Motivación: recuperar posesión. Postcondición: acercarse a la ubicación del balón. Caso 10 Precondiciones: cualquier otro caso Motivación: recuperar posición. Postcondición: acercarse a la ubicación ideal de acuerdo al balón y la formación. Estos comportamientos son elegidos y ejecutados por el agente de acuerdo a su propia especialización: ofensiva o defensiva. Con este fin, internamente el agente tiene un conjunto de umbrales que al ser cruzados desembocan en una acción o conjunto de acciones. La energía de activación que se les agrega o resta está en función de su situación en la cancha, así como de la presencia o no de otros agentes [11-13]. 4. Diseño de las clases Con el fin de llevar a cabo el software; se implementaron cinco clases que corresponden a los comportamientos diseñados. Además en este caso se deben tomar en consideración las distintas percepciones con el fin de poder interactuar con los demás agentes y con el entorno. A través de: 1) la percepción del entrono y las motivaciones de cada uno de los agentes, 2) considerando sus distintos escenarios que se sucederán durante el desarrollo del juego, 3) el marco de sus comportamientos (sección ). Se disparan los distintitos acciones. Esto es, cada vez que a se presente un estímulo físico que implique una motivación, se disparará el comportamiento; lo que provocará un conjunto de acciones. 1. Futbol: representado por el entorno, la cancha, las porterías y los límites. 2. Companero: representada por un agente que comparte mis motivaciones y persiguen la misma meta, llevar el objeto Balón a la portería rival. 3. Rival: representada por los agentes encargados de que la clase Companero no consiga su meta. Su inteligencia se basa en estorbar y no esta tan desarrollada como la de la clase Companero. 4. Portería: representa un objeto fijo que detecta colisiones con el balón, en caso afirmativo, termina la simulación.

6 5. Balon: representa un objeto móvil detectado por otros agentes; y es utilizado para perseguir sus respectivas motivaciones. Por ejemplo que haga colisión con la portería rival en el caso de los agentes que pertenecen a la clase Companero. Con base en la anterior clasificación de clases y de acuerdo a las motivaciones propuestas de acuerdo a los distintos agentes, las motivaciones, para que los objetos (clases) puedan interactuar; quedan de la siguiente forma: un agente de la clase Companero tiene distintas motivaciones según la posesión propia o no del balón (Propiocepción). Así mismo presenta distintas motivaciones si es un portero o si es un jugador de campo, puesto que la principal meta de un portero en esta simulación es mantener el balón lejos de su portería. En el caso de jugador de campo depende de si es clase companero o rival. Finalmente, la forma de llegar a la meta de un jugador de campo depende de: 1) si tiene un rival cerca o no, 2) si esta cercano a la portería rival o no, y 3) de su propia especialización. 5. Ejemplos de la aplicación En los ejemplos que a continuación se describen, hay dos equipos que se distinguen por el color; los de negro y los de rojo. En la Figura 1, se muestra al portero del equipo negro (amarillo) quien percibe la presencia de un agente compañero más cercano al balón que él mismo, esto inhibe el comportamiento de ir por el balón. Por otro lado el comportamiento de los agentes del equipo negro consiste en acercarse al balón en espera de maximizar la oportunidad de recibir un pase y conservar la posesión del balón. Figura 1. Comportamiento del portero y del equipo de bandos contrarios En la Figura 2, se muestra a los agentes del equipo color negro enviando el balón a un lugar alejado de la portería propia, el portero del equipo rojo percibe que puede llegar antes que sus compañeros, así que sale de su posición usual en búsqueda del balón.

7 Figura 2. Los jugadores del bando negro hacen una jugada de despeje La Figura 3, muestra una jugada relajada donde dos agentes del mismo equipo (negro) se perciben mutuamente y se pasan el balón. El equipo rojo esta recolocándose en posiciones optimas para el ataque. Este comportamiento emerge ya que los jugadores notan que la posición del balón no es de peligro inminente y por lo que no existe la prioridad de perseguir el balón con la máxima prioridad. Figura 3. Jugada relajada de pase entre dos jugadores del mismo equipo En la Figura 4, el agente rojo marcado en circulo amarillo percibe que no tiene agentes rivales cercanos y por lo tanto, el comportamiento que se elige es llevar el balón con él hasta una posición más adelantada, hasta que: 1) ocurra la presencia de un rival, 2) la visión de un compañero mejor ubicado, o 3) la percepción de la portería rival.

8 6. Conclusiones y Trabajo futuro Figura 4. Acarreo del balón a una posición de mejor ubicación Este acercamiento de la inteligencia artificial para la simulación de comportamientos humanos y colectivos resulta interesante por las formaciones que emergen. El comportamiento individual queda encapsulado en un agente, desarrollando un análisis de un subconjunto de comportamientos que se desean simular y en la que la interacción de conjuntos de agentes, junto a la interacción con los elementos dinámicos del entorno que disparen la conducta. Es importante mencionar que cada agente, a pesar de tener una meta en común con su equipo, presenta una especialización, lo cual hace que dos agentes a pesar de pertenecer al mismo equipo y por ende, tener la meta común de anotar en la portería del rival, tienen distintas cualidades para llegar a esa meta. Lo anterior dispara diversos comportamientos, aun estando en la misma situación. Las dificultades que se encontraron en el desarrollo fueron de cuestiones geométricas, por ejemplo, el enfoque usual en los videojuegos es que el agente tiene un cono de visión, en este proyecto, se asumió que tiene un radio de visión de 360 grados y es su fuerza y su dirección actual lo que limita su rango de elección. Así mismo, la programación en paralelo de los comportamientos generaba desfases entre lo que el agente percibía y lo que finalmente ejecutaba, por eso se decidió hacer el programa de manera secuencial. Como trabajo futuro, se pretende un mejor ajuste de parámetros para la especialización de cada agente con el fin de mejorar su sintonía entre el comportamiento y el entrno. En esta parte se ha pensado en correr un algoritmo genético que los adecue, pero el problema inherente es como asignar la función de evaluación, pues el solo hecho de que un equipo anote sobre otro no implica que todos sus jugadores sean mejores que los del contrario. Otro punto de interés seria generar un jugador controlado por el usuario, de tal manera que el usuario genere el ritmo de juego o simplemente sea un agente que se posicione y esto provoque la generación de comportamientos reactivos en el equipo defensivo. Por otra parte, la técnica de programación usada fue totalmente secuencial, sería interesante adaptar el código a procesamiento en paralelo, puesto que en el trabajo expuesto, los agentes siempre tienen en cuenta todo su entorno para generar sus decisiones, pero solo un agente a la vez manipula el entorno, lo cual no es lo que pasa en el mundo real.

9 En cuanto a la tecnología y la implementación, el proyecto ha sido desarrollado utilizando el framework MASON ( Este framework, así como el código del proyecto han sido desarrollados con el lenguaje de programación Java. Se desarrollaron las clases comentadas en el apartado 4, así como algunas clases auxiliares. Aunque se planeo desarrollar dos tipos de estrategia para los equipos, por cuestiones de tiempo, los agentes de un equipo usan una estrategia probada en una iteración previa del otro equipo. De tal manera que un equipo presenta una estrategia más desarrollada que su contrario y por lo general es el ganador del partido. El código fuente esta como un proyecto de Netbeans y requiere java mayor a 1.5 Reconocimiento: este trabajo forma parte del proyecto Divisional Computación Suave y Aplicaciones en la línea sistemas multiagente para el modelado y simulación de sistemas ( de la Universidad Autónoma Metropolitana-Azcapotzalco. Y del Posgrado en Ciencia e Ingeniería de la Computación UNAM, a través de la clase Arquitecturas Multiagente Reactivas. Referencias 1 Anderson, J., Tanner, B. & Baltes, J. (2004, Julio). Dynamic Coalition Formation in Robotic Soccer. Ponencia presentada en WORKSHOPS AT THE NINETEENTH NATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE, San Jose: California. 2 Beer, R Intelligence as Adaptative Behavior. Accademic Press Inc. USA 3 Collinot, A., Drogoul, A. & Benhamou, P. (1996, Diciember 9-13). Agent Oriented Design of a Soccer Robot Team. Memorias de SECOND INTERNATIONAL CONFERENCE ON MULTIAGENT SYSTEMS, Kyoto: Japon. 4 Ferber, J Multi-Agent Systems. Addison-Weley. Great Britain. 5 Jennings, N.R On Agent-based software engineering, J. Artificial Intelligence. 117: d Inverno, M and Luck, M Understanding Agent Systems. Springer-Verlag. Berlín. 7 Laureano-Cruces, A., & de Arriaga, F., (2000). Reactive Agent Design For Intelligent Tutoring Systems. Cybernetics and Systems, an International Journal ISSN: (1), pp Laureano-Cruces, A.L., de Arriaga, F., Garcia-Alegre Sanchez, M. (2001). Cognitive Task Analysis: a proposal to model reactive behaviors, In Journal of Experimental & Theoretical Artificial Intelligence. 13(2001) ISSN: X. Ed. TAYLOR & FRANCIS. 9 Laureano-Cruces A.L., Espinosa-Paredes, G. (2005). Behavioral Design to Model a Reactive of an Expert in Geothermal Wells. 39 (1), pp, 1-28, April In International Journal of Approximate Reasoning. ISSN: X, Elsevier. USA. 10 Laureano-Cruces, A.L. Ramirez-Rodriguez, J., de Arriaga, F., Esscarela-Perez, R. (2006). Agents Control in Intelligent Learning Systems: The Case of Reactive Characteristics. In the journal Interactive Learning Environments 14 (2), pp ISSN: Maes, P. (1990). Situated agents can have goals. Robotics and Autonomous Systems. 6:2, pp Maes, P. ( 1991). A bottom-up mechanism for behavior selection in an artificial creature. In Proceedings of the first international conference on simulation of adaptive behavior on From animals to animats, pp Paris, France. 13 Maes, P. (1989). How to do the right thing. Technical report MIT Massachusetts Institute of Technology. 14 Noda, I. & Matsubara, H. (1996). Soccer server and researches in Multi-Agent Systems. 15 Nwana, H Software Agents: an overview. The Knowledge Engineering Review. 11:3: