AI 조정자로서의 (펄린) 노이즈

(Perlin) Noise as AI coordinator

대규모 비플레이어 에이전트의 제어는 현대 게임에서 핵심적이지만, 상용 시스템은 여전히 국지적으로 부드럽고 자연스러운 행동과 시공간에 걸쳐 전역적으로 조정된 다양성이라는 상충하는 여러 목표 사이에서 균형을 맞추는 데 어려움을 겪고 있다. 기존 접근 방식은 수작업으로 만든 규칙이나 순전히 확률적인 트리거에 의존하는데, 이는 기계적인 동기화로 수렴하거나 튜닝하기 어려운 상관관계 없는 노이즈로 퇴화한다. 펄린 노이즈(Perlin noise)와 같은 연속적인 노이즈 신호는 공간적, 시간적으로 일관된 무작위성을 제공하며, 지형, 생물 군계 및 기타 절차적 에셋에 이미 널리 사용되고 있기 때문에 이러한 간극을 메우는 데 매우 적합하다. 우리는 최초로 이러한 신호를 대규모 AI 제어에 적용하고, 연속적인 노이즈 필드를 AI 조정자로 취급하는 일반적인 프레임워크를 제시한다. 이 프레임워크는 에이전트 수준의 움직임을 위한 행동 매개변수화, 행동의 시작 및 종료 시점을 위한 행동 시간 스케줄링, 그리고 무엇이 어디에 나타나는지를 결정하는 스폰 또는 이벤트 유형 및 특징 생성이라는 세 가지 제어 계층을 결합한다. 우리는 이 프레임워크를 재현 가능하게 구현하고 무작위, 필터링, 결정론적, 이웃 제약적 및 물리학에서 영감을 받은 베이스라인과 비교하여 다양한 맵, 스케일 및 시드 전반에 걸쳐 대표적인 조정자로서 펄린 노이즈를 평가한다. 실험 결과, 조정된 노이즈 필드는 획일적인 동기화 없이 안정적인 활성화 통계, 강력한 공간 커버리지와 지역적 균형, 제어 가능한 양극화를 통한 더 나은 다양성, 그리고 경쟁력 있는 실행 시간을 제공하는 것으로 나타났다. 우리는 이 연구가 효율성, 제어 가능성 및 품질을 결합하는 실용적인 방법으로서 게임 AI 분야에서 조정된 노이즈에 대한 폭넓은 탐구를 촉진하기를 바란다.

Large scale control of nonplayer agents is central to modern games, while production systems still struggle to balance several competing goals: locally smooth, natural behavior, and globally coordinated variety across space and time. Prior approaches rely on handcrafted rules or purely stochastic triggers, which either converge to mechanical synchrony or devolve into uncorrelated noise that is hard to tune. Continuous noise signals such as Perlin noise are well suited to this gap because they provide spatially and temporally coherent randomness, and they are already widely used for terrain, biomes, and other procedural assets. We adapt these signals for the first time to large scale AI control and present a general framework that treats continuous noise fields as an AI coordinator. The framework combines three layers of control: behavior parameterization for movement at the agent level, action time scheduling for when behaviors start and stop, and spawn or event type and feature generation for what appears and where. We instantiate the framework reproducibly and evaluate Perlin noise as a representative coordinator across multiple maps, scales, and seeds against random, filtered, deterministic, neighborhood constrained, and physics inspired baselines. Experiments show that coordinated noise fields provide stable activation statistics without lockstep, strong spatial coverage and regional balance, better diversity with controllable polarization, and competitive runtime. We hope this work motivates a broader exploration of coordinated noise in game AI as a practical path to combine efficiency, controllability, and quality.