Spelutveckling med ML : Skapandet av en space shooter med Unity ML Agents toolkit och speldesign koncept

A.I is growing rapidly within lots of industries and the gaming industry is no exception, ranging from reusable A.I brains and behaviours to procedural generated content (PCG) and more. Most often the A.I agent only has one specific goal: produce content, meet a winning condition by eliminating a player or something similar. This thesis strives to examine if it is possible to design an A.I agent with contradictory assignments within a space-shooter environment and how it is supposed to be designed if that is the case. The idea is that instead of eliminating the player within the shortest amount of time possible, the A.I agent will eliminate the player over time and extend the playing session, simultaneously working with and against the player. This is the thesis contribution to the field of M-L and A.I agents. To achieve the desired effect, Unity M-L toolkit has been used to train an A.I agent using proximal policy optimization (PPO). The produced A.I agent behaves in an acceptable fashion but would require more work to fully behave as intended. This work lays a foundation for creating an A.I agent to be used within a space-shooter game and suggests how to further develop the A.I agent using game designing concepts.A.I växer hastigt inom diverse industrier och spelindustrin är inget undantag, det rör sig om allt från återanvändningsbara A.I hjärnor och beteenden till automatiskt genererat innehåll och mer därtill. Oftast har A.I agenter bara ett specifikt mål: producera innehåll, uppnå ett tillstånd som leder till vinst genom att eliminera en spelare eller liknande. Det här arbetet strävar efter att undersöka huruvida det är möjligt att skapa en A.I agent med motsägelsefulla uppdrag i en spaceshooter miljö och hur det i så fall skulle designas. Idén är att istället för att eliminera en spelare så fort som möjligt gör man det över så lång tid som möjligt för att förlänga spelsessionen, vilket bidrar till att agenten försöker hjälpa och stjälpa för spelaren samtidigt. Detta är arbetets bidrag till M-L och A.I området. För att uppnå denna effekt har Unity M-L toolkit nyttjats i syfte att träna en agent som använder proximal policy optimization (PPO). Den producerade A.I agenten utför sin uppgift acceptabelt men för att fungera som den var avsedd fullt ut krävs mer arbete