Resumen:El control a gran escala de los agentes que no son jugadores es fundamental para los juegos modernos, mientras que los sistemas de producción aún luchan por equilibrar varios objetivos en competencia: un comportamiento local fluido y natural y una variedad coordinada globalmente en el espacio y el tiempo. Los enfoques anteriores se basan en reglas artesanales o activadores puramente estocásticos, que convergen en una sincronía mecánica o se convierten en un ruido no correlacionado que es difícil de sintonizar. Las señales de ruido continuo, como el ruido Perlin, se adaptan bien a esta brecha porque proporcionan aleatoriedad espacial y temporalmente coherente, y ya se utilizan ampliamente para terrenos, biomas y otros activos procedimentales. Adaptamos estas señales por primera vez al control de IA a gran escala y presentamos un marco general que trata los campos de ruido continuo como un coordinador de IA. El marco combina tres capas de control: parametrización del comportamiento para el movimiento a nivel de agente, programación del tiempo de acción para cuándo comienzan y terminan los comportamientos, y generación o tipo de evento y generación de características para lo que aparece y dónde. Creamos una instancia del marco de manera reproducible y evaluamos el ruido de Perlin como un coordinador representativo en múltiples mapas, escalas y semillas frente a líneas de base aleatorias, filtradas, deterministas, limitadas por el vecindario e inspiradas en la física. Los experimentos muestran que los campos de ruido coordinados proporcionan estadísticas de activación estables sin escalones, una fuerte cobertura espacial y equilibrio regional, una mejor diversidad con polarización controlable y un tiempo de ejecución competitivo. Esperamos que este trabajo motive una exploración más amplia del ruido coordinado en la IA de los juegos como un camino práctico para combinar eficiencia, controlabilidad y calidad.
Publicado originalmente en export.arxiv.org el 23 de febrero de 2026.
Ver fuente original
