75 스네이크 AI (Snake AI)
전설적인 게임인 스네이크(Snake)를 위한 인공지능(AI)을 설계해 봅시다. 단순히 게임을 즐기는 것 이상으로, 무작위 맵에서 살아남고 점수를 극대화할 수 있는 똑똑한 뱀을 만드는 것이 목표입니다.
이 프로젝트는 강화 학습(Reinforcement Learning)의 기초와 자급자족하는 게임 캐릭터의 의사 결정 과정을 익히기에 아주 좋습니다. 특히 최근 게임이나 로봇 공학에서 사용되는 최적 경로 탐색과 장애물 회피 기술을 직접 설계해 보세요.
75.1 주요 개발 포인트
- 강화 학습 알고리즘: Q-Learning이나 NEAT(NeuroEvolution of Augmenting Topologies)를 사용하여 뱀을 훈련시킵니다.
- 게임 환경 시뮬레이션: 뱀이 학습할 수 있도록 게임의 물리 엔진(이동, 먹이 생성, 충돌 등)을 구축합니다.
- 입력 데이터 (Sensor Data): 뱀의 머리 위치, 먹이 위치, 주변 장애물 유무 등을 AI의 입력값으로 제공합니다.
- 보상 시스템 설계: 먹이를 먹으면 보상을, 자기 몸이나 벽에 부딪히면 벌칙을 주어 점수를 최적화합니다.
- 무작위 맵 생성: 매 게임마다 지형이나 장애물 위치를 무작위로 생성하여 AI가 일반화된 능력을 갖추도록 합니다.
75.2 Python 구현 예시 (Q-Learning 기반 간단한 상태 및 행동 시뮬레이션)
import random
class SnakeAI:
"""
현재 상태를 기반으로 뱀의 다음 이동 방향을 결정합니다.
"""
def __init__(self, actions=[0, 1, 2, 3]): # 0: 위, 1: 아래, 2: 왼쪽, 3: 오른쪽
self.actions = actions
self.q_table = {} # {상태: [Q값1, Q값2, Q값3, Q값4]}
print("스네이크 AI 엔진 초기화 완료.")
def get_state(self, snake_head, food_pos):
"""
뱀의 현재 상태를 튜플 형태로 요약하여 반환합니다.
"""
dx = food_pos[0] - snake_head[0]
dy = food_pos[1] - snake_head[1]
# 단순화된 상태 예: 먹이가 어느 방향에 있는지 (dx, dy의 부호)
return (1 if dx > 0 else -1 if dx < 0 else 0,
1 if dy > 0 else -1 if dy < 0 else 0)
def decide_action(self, state):
"""
현재 상태에 대해 가장 높은 가치를 가진 행동을 선택합니다.
"""
if state not in self.q_table:
# 처음 보는 상태면 0으로 초기화
self.q_table[state] = [0.0] * len(self.actions)
# 입실론-탐욕(Epsilon-greedy) 전략을 쓸 수도 있지만, 여기서는 단순히 최선의 수 선택
q_values = self.q_table[state]
best_action = q_values.index(max(q_values))
# 학습 초기에는 무작위로 움직이는 것도 중요함
if max(q_values) == 0:
best_action = random.choice(self.actions)
print(f"상태 {state} -> 행동 {best_action} 선택.")
return best_action
if __name__ == "__main__":
ai = SnakeAI()
# 5번의 턴 시뮬레이션
print("스네이크 AI 학습 시뮬레이션 시작")
for _ in range(5):
# 뱀과 먹이의 위치 시뮬레이션
head = (10, 10)
food = (random.randint(0, 20), random.randint(0, 20))
current_state = ai.get_state(head, food)
ai.decide_action(current_state)