이 논문은 컴퓨터 게임을 위한 물리 엔진의 성능 향상 및 이를 적용한 지능적인 게임 캐릭터에 관한 연구를 서술한다. 물리적 상황을 자동으로 인식하는 알고리즘으로는 Momentum back-propagation을 적용하였다. 또한 우리는 각 상황에 따른 적분 방식의 실험 결과를 제시한다. 실험을 위하여 Euler Method, Improved Euler Method, 및 Runge-kutta Method의 세 가지의 적분 방식을 적용하였다. 각 적분 방식의 실험 결과에서 충돌이 없는 상황에서는 Euler Method가 최적의 성능을 보여주었다. 또한 충돌 상황에서는 세 가지 방식이 모두 비슷한 성능을 보여주었지만, Runge-kutta Method가 최적의 정확도를 보여주었다. 물리 상황인식에 대한 실험결과에서는 입력 층과 출력 층이 고정된 상태에서 은닉 층이 3일 때 가장 좋은 성능을 보여주었고, 또한 학습횟수가 30000일 때 최적의 성능을 보여주었다. 앞으로 우리는 다른 장르의 게임에 이러한 물리적 컨텍스트(context)를 인식하는 연구를 진행할 것이며 또한 전체 게임의 성능을 증가할 수 있도록 M-BP이외의 인식 알고리즘을 적용할 것이다.
This paper describes research on intelligent game character through performance enhancements of physics engine in computer games. The algorithm that recognizes the physics situation uses momentum back-propagation neural networks. Also, we present an experiment and its results, integration methods that display optimum performance based on the physics situation. In this experiment on integration methods, the Euler method was shown to produce the best results in terms of fps in a simulation environment with collision detection. Simulation with collision detection was shown similar fps for all three methods and the Runge-kutta method was shown the greatest accuracy. In the experiment on physics situation recognition, a physics situation recognition algorithm where the number of input layers (number of physical parameters) and output layers (destruction value for the master car) is fixed has shown the best performance when the number of hidden layers is 3 and the learning count number is 30,000. Since we tested with rigid bodies only, we are currently studying efficient physics situation recognition for soft body objects.
