Desarrollando IA para Angry Birds con PDDL+

Angry Birds es un juego móvil muy popular donde los jugadores usan una resortera para lanzar pájaros contra estructuras y derribar cerdos. Este juego presenta un reto para la inteligencia artificial (IA) porque implica tomar decisiones basadas en la física del movimiento y la colisión. Este estudio analiza cómo un tipo específico de planificación y búsqueda puede ayudar a crear un agente de IA que juegue Angry Birds de manera efectiva.

#El Reto de Angry Birds

El juego es conocido por requerir que los jugadores piensen cuidadosamente en sus movimientos. Diferentes niveles requieren distintas estrategias. Algunos niveles son fáciles mientras que otros son muy difíciles, lo que hace que el juego sea un buen candidato para desarrollar soluciones de IA. Muchas versiones de Angry Birds han demostrado ser complejas, requiriendo habilidades de razonamiento avanzadas que son difíciles de replicar para la IA.

#¿Por qué usar PDDL+?

Para modelar el juego, usamos un lenguaje llamado PDDL+. Este lenguaje está diseñado para trabajar con cambios simples y complejos en juegos y otros sistemas. Un aspecto clave de PDDL+ es su capacidad para gestionar diferentes tipos de eventos que ocurren al mismo tiempo, como un pájaro volando mientras las estructuras colapsan.

#Cómo Creamos el Modelo

Nuestro primer paso fue crear un modelo de Angry Birds que reflejara con precisión cómo opera el juego. Tuvimos que decidir la mejor manera de representar los diferentes elementos del juego, como los pájaros, cerdos y bloques. Cada uno de estos elementos tiene sus propias características, como cuánto daño pueden recibir o cómo se mueven.

Nos centramos en modelar cómo vuelan los pájaros e interactúan con otros objetos. Al simplificar algunas partes del juego, pudimos crear un modelo que funcione de manera eficiente. Decidimos representar la resortera de forma indirecta, señalando desde dónde se lanzan los pájaros sin convertirla en un objeto en el modelo.

#Dinámicas del Juego en el Modelo

El modelo describe cómo se lanzan los pájaros, cómo vuelan y cómo interactúan con los cerdos y bloques. La clave del éxito en Angry Birds es tomar las decisiones correctas sobre cómo lanzar los pájaros. El modelo simula el lanzamiento de un pájaro considerando su velocidad y ángulo, que son críticos para alcanzar los objetivos.

#Eventos e Interacciones

En el juego, muchas interacciones ocurren cuando los pájaros golpean a los cerdos o bloques. Cuando un pájaro choca con un cerdo, pueden ocurrir varios resultados. El pájaro puede destruir directamente al cerdo o hacer que otros objetos caigan y lo golpeen. Para capturar esta complejidad, necesitamos modelar varios eventos que ocurren durante estas interacciones.

Por ejemplo, cuando un pájaro golpea el suelo, puede rebotar. Esto se modeló incorporando reglas que dictan cómo se comportan los pájaros al interactuar con superficies. De igual manera, modelamos los efectos de las explosiones, como cuando un pájaro golpea una caja de TNT. La explosión puede causar daño a objetos cercanos, lo que el modelo también necesita capturar.

#Creando un Agente Jugador

Para convertir nuestro modelo en un agente de IA accionable, tuvimos que crear un agente jugador llamado Hydra. Este agente lee el estado del juego y lo traduce a un formato que el planificador puede entender. A partir de ahí, Hydra genera un plan para resolver cada Nivel determinando cómo lanzar los pájaros de manera efectiva.

#Técnicas de Búsqueda

La IA utiliza varias técnicas de búsqueda para encontrar los mejores movimientos. El agente puede emplear diferentes algoritmos, incluyendo búsqueda en anchura y búsqueda en profundidad. El desafío es mantener la búsqueda eficiente mientras se identifican los mejores movimientos posibles.

También desarrollamos estrategias específicas para mejorar cómo el agente busca soluciones. Un enfoque se centra en la puntuación, que considera cuántos cerdos y bloques se pueden destruir con cada movimiento. Otro método observa qué tan cerca está el pájaro de un cerdo y cómo se mueve hacia él.

#Evaluación Experimental

Para probar qué tan bien se desempeña Hydra, la comparamos con otros Agentes en varios niveles de Angry Birds. Establecimos niveles de referencia que van de simples a complejos, variando en el número de objetos y estrategias requeridas. Al hacer esto, podemos ver cómo se desempeña Hydra en comparación con otros agentes de IA establecidos.

#Resultados

Los resultados de nuestra evaluación mostraron que Hydra se desempeñó mejor que algunos agentes previos en niveles más simples. Sin embargo, enfrentó desafíos en niveles más complejos, donde numerosos objetos e interacciones hicieron que fuera más difícil para la IA hacer los mejores movimientos. En esos niveles, los agentes establecidos diseñados para manejar estrategias específicas se desempeñaron mejor.

#Conclusión

En este estudio, demostramos cómo el uso de PDDL+ puede capturar la dinámica de un juego desafiante como Angry Birds. La combinación de un modelado efectivo y técnicas de búsqueda eficientes muestra promesa para desarrollar IA que pueda abordar problemas similares en el futuro.

Aunque Hydra ha tenido éxitos, todavía hay margen de mejora, especialmente en el manejo de niveles complejos. El trabajo futuro se centrará en desarrollar mejores estrategias y mejorar el modelo para incluir características adicionales de Angry Birds. Esto puede implicar incluir poderes especiales de algunos pájaros y diferentes tipos de cerdos.

Al continuar esta investigación, buscamos mejorar el rendimiento de los agentes de IA en juegos y otros escenarios del mundo real, haciéndolos más efectivos para resolver problemas complejos y adaptarse a nuevos desafíos.