딥러닝(DL: Deep Learning)의 발전으로 오늘날 다양한 분야에서 AI 모델이 만들어지고 사용되고 있다. 오늘날, 컴퓨터의 발전과 DL 알고리즘의 발전에 의해, DL 기반 AI 모델은 수많은 데이터를 학습하고 스스로 규칙을 찾을 수 있다. DeepMind의 Alphago는 학습 데이터 만으로 게임의 규칙을 스스로 판단하고 고수준의 게임 플 레이를 할 수 있다는 가능성을 보여준다. 이런 다양한 DL 알고리즘이 게임 분야에 적용되고 있지만, 스포츠 게임 같이 팀의 전술과 개인 플레이가 공존하는 분야에서는 단일 AI 모델만으로 성공적인 플레이를 이끌어 내기에는 한계가 존재한다. 오늘날, 고품질의 스포츠 게임은 쉽게 접할 수 있다. 하지만, 게임 AI 연구자들이 이런 고품질의 스포츠 게임에 맞는 AI 모델을 개발하기 위해서는 게임 코드 소스를 받거나 게임 회사에서 테 스트용 시뮬레이터를 제공해줘야만 할 수 있다. 게임 AI 연구자들이 활발한 스포츠 게임 분야의 AI 모델을 개 발하기 위해서는 스포츠 게임의 규칙과 특징이 반영되고 접근하기 쉬운 테스트 환경(Test Environment)이 필요 하다. 본 논문에서는 팀의 전술과 개인 플레이가 중요한 스포츠 게임 분야에서 AI 모델을 만들고 테스트할 수 있는 규칙기반 축구 게임 프레임워크를 제안한다.

With the development of Deep Learning (DL), artificial intelligence (AI) models are being created and used in various fields today. Today, with the development of computers and DL algorithms, DL-based AI models can learn a lot of data and find rules by themselves. DeepMind's Alphago shows the possibility of self-determination of game rules and high-level game play with only learning data. Although these various DL algorithms are applied to the game field, there are limits to successful play with only a single AI model in areas where team tactics and individual play coexist, such as sports games. Today, high-quality sports games are readily available. However, game AI researchers may need to receive game code sources or provide test simulators from game companies in order to develop AI models suitable for such high-quality sports games. In order for game AI researchers to develop AI models in the field of active sports games, a test environment that reflects the rules and characteristics of sports games and is easy to access is required. In this paper, we propose a rule-based soccer game framework that can create and test AI models in sports games where team tactics and individual play are important.

ABSTRACT
1. Introduction
2. Related Work
3. Proposed Soccer Game Framework
    3.1 Rule Design for each Agents
    3.1 AI model for estimating the location ofOffense agent using the ANN
4. Experimental Results of Estimating theposition by ANN
5. Conclusion
Reference
국문초록
결론 및 향후 연구

• Hyung Seok Park(Major of Game & Multimedia, School of Techno-media Convergence Woosong University) | 박형석
• Bon Woo Gu(Major of Game & Multimedia, School of Techno-media Convergence Woosong University) | 구본우
• Tae Woo Han(Major of Game & Multimedia, School of Techno-media Convergence Woosong University) | 한태우 Corresponding author