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.

지난 5년 동안 HMD(Head Mounted Displays)가 개발되어 사람들이 가상현실을 통해 게임에서 몰입형 콘텐츠를 즐길 수 있게 되었다. 이러한 시각을 위한 장치인 HMD는 널리 보급되어 사용되고 있지만, 가상현실에 사용자의 입력을 제공하는 장치는 아직 표준화되지 않았다. 그 결과 다양한 유형의 대화형 장비들 (Leap Motion, Marker-Based Devices 등)이 각자의 장단점을 가지고 개발되어 현재 사용 중에 있다. 예를 들어, Leap Motion은 손동작만 추적할 수 있으며 마커 기반 장치는 사용자와 추적 카메라 사이에 장애물이 있거나 어두운 환경의 경우 동작의 추적에 어려움이 있다. 착용형 모션 캡처는 신체에 착용되는 상호 작용 장치이며 인간과 카메라 사이에 장애물이 있어도 움직임을 추적할 수 있는 장점이 있다. 본 논문에서는 가상현실을 위하여 연구/ 개발된 상호작용 방법들을 설명하고 축구 게임을 통해 검증한다. 우리가 아는 한 본 연구는 착용형 모션 캡쳐를 가상현실 게임에 적용한 세계 최초의 연구이다.

본 논문에서는 결정트리 학습 알고리즘을 활용한 축구 게임 수비 NPC 제어 방법을 제안한다. 제안하는 방법은 실제 게임 사용자들의 이동 방향 패턴과 행동 패턴을 추출하여 결정트리학습 알고리즘에 적용한다. 그리고 학습된 결정트리를 바탕으로 NPC의 이동방향과 행동을 결정한다. 실험결과 제안하는 방법은 결정트리 학습에 시간이 다소 걸리지만, 학습된 결정트리를 바탕으로 이동방향이나 행동을 결정하는 시간은 약 0.001-0.003 ms(밀리초)가 소요되어 실시간으로 NPC를 제어할 수 있었다. 또한, 제안하는 방법은 현재 상태 정보 뿐만 아니라 이를 분석한 관계정보, 이전 상태 정보도 함께 활용하므로, 기존방법인 (Letia98)에 비해 이동방향 결정시 높은 정확도를 나타냈다.