따알깍PROMPT DICT 앱으로 열기

게임 개발 · 엔진 · 프로그래밍 · AI · AI · 월드 · 절차적 생성

게임 AI · 길찾기 Game AI & pathfinding

A*·JPS·플로 필드·내비메시 길찾기, 조향 행동과 군중 회피, FSM·행동 트리·유틸리티·GOAP 의사결정, 시야·청각 인지, 게임 트리 탐색까지 실제로 동작하는 게임 AI 알고리즘 시각화.

카드 64개 · 카드마다 설명과 바로 복사해 쓸 수 있는 프롬프트 전문 · 앱에서 라이브 데모로 보기

카드 목록 64개
  1. A* 탐색 (열린·닫힌 집합 + f 히트맵)
  2. Dijkstra vs Greedy vs A* 레이스
  3. 전술 경로 탐색 (위협 비용 A*)
  4. 점프 포인트 탐색 (JPS)
  5. 플로 필드 길찾기 (RTS 군중)
  6. 다익스트라 맵 (추격·도주 안전 맵)
  7. 계층적 길찾기 (HPA*)
  8. 내비메시 퍼넬 알고리즘 (스트링 풀링)
  9. 경로 스무딩 (LOS 풀링 + 코너 라운딩)
  10. Theta* 임의 각도 길찾기
  11. D* Lite 재계획 (새 벽 발견)
  12. 조향 행동: 탐색·도착·도주
  13. 추격·회피 (예측 조향)
  14. 배회 행동 (원형 지터)
  15. 장애물 회피 (감지 박스)
  16. 경로 추종 (미래 위치 투영)
  17. ORCA 상호 충돌 회피 (RVO2)
  18. 대형 이동 (슬롯 재배정)
  19. 유한 상태 기계 경비병 (순찰→추격→수색→복귀)
  20. 계층적 상태 기계 (HFSM + 히스토리)
  21. 행동 트리 실시간 노드 하이라이트
  22. 유틸리티 AI 점수 막대
  23. GOAP 목표 지향 행동 계획
  24. 영향력 맵 (전선 등치선)
  25. 시야 콘 + 은신 감지 게이지
  26. 재귀 섀도캐스팅 시야 (로그라이크 FOV)
  27. 소리 전파와 청각 감지
  28. 몬테카를로 트리 탐색 (틱택토)
  29. 미니맥스 알파-베타 가지치기
  30. AI 디렉터 긴장도 곡선
  31. 동적 난이도 조절 (몰입 채널)
  32. 신경망 진화 자동차 (유전 알고리즘)
  33. 군집 표적 배정 (오버킬 방지)
  34. 엄폐 지점 평가 (EQS 쿼리)
  35. 인공 포텐셜 필드 (로컬 미니멈)
  36. Q-러닝 그리드월드
  37. 리더 추종 (도착 감속 · 분리 · 길 비키기)
  38. 동적 장애물 카빙 · 타일 부분 재빌드
  39. 오프메시 링크 (점프 · 사다리 · 낙하)
  40. 군중 차선 자기조직화 (사회적 힘 모델)
  41. 지각 · 기억 시스템 (마지막 목격 위치)
  42. 분대 전술 · 제압과 측면 기동
  43. 블랙보드 아키텍처 (공유 지식 · 관찰자)
  44. HTN 계층적 작업 네트워크 플래너
  45. 인간다운 반응 지연 · 조준 오차
  46. 치팅 AI vs 정직한 AI (정보 접근)
  47. 감정 모델 AI (공포 · 분노 → 행동)
  48. 점유 맵 표적 수색 (확률 확산)
  49. 스마트 오브젝트 (어포던스 광고)
  50. 컨텍스트 스티어링 (관심 · 위험 맵)
  51. AI LOD · 타임 슬라이싱 업데이트
  52. 물고기 떼 경보 파동 (회피 정보 전파)
  53. 협력 경로 탐색 (WHCA* 시공간 예약표)
  54. 가시성 그래프 길찾기 (꼭짓점 LOS 간선)
  55. N-그램 플레이어 패턴 예측 (격투 AI)
  56. 퍼지 논리 컨트롤러 (멤버십 → 규칙 → 무게중심)
  57. RTS 지형 분석 (지역 분할 · 초크포인트)
  58. 프런티어 기반 자율 탐사
  59. 타임 슬라이스 길찾기 (요청 큐 · 프레임 예산)
  60. 숨기 행동 (장애물 뒤 은신점)
  61. 투사체 회피 (최근접 시점 CPA 예측)
  62. 개미 페로몬 길 (스티그머지 · 증발)
  63. 레이싱 라인 AI (곡률 속도 프로파일 · 순수 추종)
  64. 원거리 적 거리 유지 (카이팅 · 사거리 밴드)

A* 탐색 (열린·닫힌 집합 + f 히트맵)

A* search with open/closed sets and f = g + h heatmap

  • Canvas
  • JavaScript
  • Unity

우선순위 큐에서 f=g+h가 가장 작은 칸을 꺼내 닫힌 집합으로 옮기며 목표 쪽으로 탐색이 기울어지는 과정을 히트맵과 부모 포인터로 보여 주는 게임 길찾기의 기본 알고리즘이다.

프롬프트

Canvas 2D로 26×15 타일맵(벽은 그림자 있는 입체 블록)에서 8방향 A*를 이진 힙 우선순위 큐로 구현하고, 휴리스틱은 옥타일 거리 h=dx+dy+(√2−2)·min(dx,dy), 동률은 g가 큰 쪽을 우선하게 해줘. 4.9초 동안 한 스텝씩 진행하며 닫힌 집합은 f값 히트맵(남색→보라→주황), 열린 집합은 노란 테두리, 각 칸엔 came_from 방향 틱을 그리고, 우상단에 현재 노드의 f = g + h 수치를 실시간 표시해줘. 탐색이 끝나면 경로를 0.8초 easeInOut으로 그린 뒤 에이전트가 따라 걷는 8.5초 루프로 만들어줘.

라이브 데모 열기 — A* 탐색 (열린·닫힌 집합 + f 히트맵)

Dijkstra vs Greedy vs A* 레이스

Dijkstra vs greedy best-first vs A* search race

  • Canvas
  • JavaScript

같은 오목한 함정 맵에서 세 탐색을 같은 속도로 동시에 돌려 Dijkstra는 사방으로, Greedy는 목표로 돌진했다 우회하고, A*는 최소 확장으로 최적 경로를 찾는 차이를 나란히 비교하는 교육용 시각화다.

프롬프트

Canvas 2D로 13×11 격자 3개를 나란히 놓고 오른쪽이 막힌 ㄷ자 벽 함정을 사이에 둔 같은 맵에서 Dijkstra(f=g), Greedy Best-First(f=h), A*(f=g+h, 옥타일)를 한 프레임에 같은 스텝 수만큼 진행시켜줘. 각 패널 하단에 확장 노드 수를 실시간 카운트하고, 끝나면 경로 비용(직선 1, 대각 √2)과 '최적 경로/비최적' 배지를 보여 주며, 닫힌 집합은 확장 순서 그라디언트, 열린 집합은 노란 테두리로 칠해 9초 루프로 반복해줘.

라이브 데모 열기 — Dijkstra vs Greedy vs A* 레이스

전술 경로 탐색 (위협 비용 A*)

Tactical pathfinding with threat-weighted A* cost

  • Canvas
  • Unreal Engine
  • JavaScript

적 포탑의 시야(LOS)가 닿는 칸에 추가 이동 비용을 얹어, 최단 경로 대신 엄폐물 뒤로 돌아가는 '전술적으로 안전한' 경로를 고르게 하는 슈터·스텔스 게임 AI 기법이다.

프롬프트

Canvas 2D로 26×15 맵에 포탑 2기를 두고 반경 7.2칸 안에서 레이 샘플링 시야 검사(0.1칸 간격)에 걸리는 칸을 위협 칸으로 칠한 뒤, 위협 칸 진입 비용을 +6으로 더한 A*와 일반 A*를 함께 돌려줘. 일반 경로는 붉은 점선, 전술 경로는 초록 글로우 실선으로 1.6초 동안 그리고, 두 에이전트가 같은 속도로 걸으며 위협 칸에서는 '!' 발각 마커가 뜨게 해줘. 우상단에 두 경로의 길이와 노출 칸 수를 비교 표시하고 포탑은 회전 스캔 빔을 그리는 9.5초 루프로 만들어줘.

라이브 데모 열기 — 전술 경로 탐색 (위협 비용 A*)

점프 포인트 탐색 (JPS)

Jump Point Search (symmetry pruning with forced neighbours)

  • Canvas
  • JavaScript
  • C++

균일 비용 격자에서 대칭 경로를 가지치기하고 강제 이웃이 생기는 '점프 포인트'만 열린 집합에 넣어 A*보다 훨씬 적은 노드로 같은 최적 경로를 찾는 Harabor·Grastien의 JPS를 보여 준다.

프롬프트

Canvas 2D로 28×15 격자에서 Jump Point Search(대각 이동은 양옆이 모두 열려 있을 때만 허용)를 구현해, 확장된 노드마다 가지치기된 자연 이웃 방향으로 직선·대각 점프 스캔이 뻗어 나가는 선을 확장마다 1.5+1.2√(스캔 칸 수) 가중치로 시간 배분해 애니메이션하고 강제 이웃을 만나면 그 칸을 노란 다이아몬드 점프 포인트로 열린 집합에 넣어줘. 확장된 점프 포인트는 청록 다이아몬드, 현재 노드는 흰 글로우로 표시하고, 우상단에 JPS 확장 수와 같은 맵 A* 확장 수를 비교, 끝나면 점프 포인트끼리 잇는 경로를 그려 에이전트가 따라가는 9초 루프로 만들어줘.

라이브 데모 열기 — 점프 포인트 탐색 (JPS)

플로 필드 길찾기 (RTS 군중)

Flow field pathfinding for RTS crowds (integration field + vector field)

  • Canvas
  • Unity DOTS
  • JavaScript

목표에서 한 번 Dijkstra로 거리(통합 필드)를 퍼뜨리고 각 칸이 가장 가까운 이웃을 가리키는 벡터 필드를 만들어, 수십 유닛이 각자 A* 없이 한 필드만 읽고 몰려가게 하는 RTS·타워 디펜스 군중 길찾기다.

프롬프트

Canvas 2D로 30×17 격자에서 목표 칸부터 8방향 Dijkstra(직선 1, 대각 √2, 모서리 끼기 금지)로 통합 필드를 계산해 1.7초 동안 거리 순서대로 흰 파면이 퍼지게 칠하고, 각 칸에 최저 이웃 방향 화살표를 0.8초에 페이드인해줘. 이후 가장자리에서 72개 유닛이 1.9~5.1초 랜덤 지연으로 스폰되어 현재 칸의 벡터 × 속도(3.2~4.8칸/초)를 목표 속도로 1/7초 스무딩하고 반경 0.6칸 분리력을 더해 이동하게 하며, 목표 도착 시 재스폰, 루프마다 목표 위치가 바뀌는 9초 루프로 만들어줘.

라이브 데모 열기 — 플로 필드 길찾기 (RTS 군중)

다익스트라 맵 (추격·도주 안전 맵)

Dijkstra maps for roguelike chase and flee (safety map ×−1.2 rescan)

  • Canvas
  • JavaScript
  • libtcod

플레이어까지의 거리 숫자를 모든 칸에 채운 다익스트라 맵으로 몬스터가 내리막만 따라 추격하게 하고, 값에 −1.2를 곱해 다시 스캔한 안전 맵으로는 막다른 곳이 아닌 넓은 탈출로로 도망치게 하는 로그라이크 AI 기법이다.

프롬프트

Canvas 2D로 23×12 로그라이크 던전(방·문 구조, 모노스페이스 글리프 @와 g)을 만들고 0.22초 틱마다 플레이어 위치를 0으로 둔 4방향 다익스트라 맵을 다시 계산해 모든 바닥 칸에 거리 숫자와 파란 그라디언트를 그려줘. 몬스터 g 4마리는 매 틱 값이 더 낮은 이웃으로 한 칸씩 이동하고, 루프 절반부터는 맵 값에 −1.2를 곱한 뒤 다중 시작점 다익스트라로 재스캔한 도주 맵(붉은색)을 따라 달아나게 해줘. 이동은 easeInOut으로 보간하고 약 9.2초에 한 번 루프되게 해줘.

라이브 데모 열기 — 다익스트라 맵 (추격·도주 안전 맵)

계층적 길찾기 (HPA*)

Hierarchical pathfinding A* (HPA*: clusters, entrances, abstract graph)

  • Canvas
  • JavaScript
  • C#

큰 격자를 클러스터로 나누고 경계 엔트런스와 클러스터 내부 거리를 미리 계산한 추상 그래프에서 먼저 길을 찾은 뒤 셀 경로로 정제해, 거대한 RTS·오픈월드 맵의 탐색 비용을 크게 줄이는 Botea의 HPA*를 단계별로 보여 준다.

프롬프트

Canvas 2D로 30×18 격자를 6×6 클러스터로 나누고, 인접 클러스터 경계에서 양쪽이 모두 열린 연속 구간마다 길이 3 이하는 가운데 1개·그 이상은 양 끝 2개의 엔트런스 노드 쌍(inter 엣지 비용 1)을 만든 뒤, 클러스터 내부 노드 쌍마다 경계 박스로 제한한 8방향 Dijkstra로 intra 엣지와 셀 경로를 미리 저장해줘. 시작·목표를 해당 클러스터 노드에 연결하고 추상 그래프 A*를 실행해 확장 노드를 흰색으로 밝힌 뒤, 저장해 둔 셀 경로를 이어 정제 경로를 그리고 일반 A* 최적 비용과 비교 표시하는 9.5초 단계형 루프로 만들어줘.

라이브 데모 열기 — 계층적 길찾기 (HPA*)

내비메시 퍼넬 알고리즘 (스트링 풀링)

Navmesh funnel algorithm (simple stupid funnel string pulling)

  • Canvas
  • Recast/Detour
  • Unity NavMesh

내비메시 삼각형 통로의 공유 변(포털)을 차례로 지나며 왼쪽·오른쪽 깔때기를 좁히다가 교차하는 순간 꼭짓점을 경로에 확정해, 폴리곤 경로를 가장 짧은 꺾은선으로 당겨 펴는 Mononen의 퍼넬 알고리즘이다.

프롬프트

Canvas 2D로 구불구불한 통로를 좌우 벽 폴리라인으로 만들고 지그재그로 삼각분할한 내비메시 코리더의 공유 변을 포털 목록(시작점, 포털들, 끝점)으로 뽑아줘. Simple Stupid Funnel 알고리즘(triarea2 부호로 오른쪽/왼쪽 갱신, 반대편을 넘으면 그 꼭짓점을 apex로 확정하고 루프 재시작)의 모든 단계를 5.6초에 걸쳐(단계당 최대 0.24초) 재생하며 현재 포털은 노란 선, 왼쪽·오른쪽 깔때기 변은 분홍·파랑, 깔때기 내부는 반투명 하늘색, 새 꼭짓점 확정 시 글로우를 보여 줘. 끝나면 string-pulled 경로를 easeInOut으로 그리고 에이전트가 걷는 9.5초 루프로 만들어줘.

라이브 데모 열기 — 내비메시 퍼넬 알고리즘 (스트링 풀링)

경로 스무딩 (LOS 풀링 + 코너 라운딩)

Path smoothing: line-of-sight string pulling + Bézier corner rounding

  • Canvas
  • Unity
  • Godot

격자 A*가 만든 계단식 경로에서 시야가 통하는 노드를 건너뛰어 웨이포인트를 줄이고, 남은 모서리를 2차 베지어로 둥글려 캐릭터가 자연스럽게 걷게 만드는 길찾기 후처리 기법이다.

프롬프트

Canvas 2D로 26×15 맵의 8방향 A* 경로(주황 점선 노드)를 먼저 1.1초에 그린 뒤, 앵커 노드에서 다음 노드들로 반경 0.32칸 두께의 시야 레이(0.1칸 샘플링)를 차례로 쏘아 통과는 초록, 막히면 빨간 X로 표시하며 마지막으로 보이던 노드만 웨이포인트로 남기는 그리디 스트링 풀링을 3초 동안 보여 줘. 이어서 각 모서리에서 양쪽 변의 45%(최대 1.6칸) 지점을 잇는 2차 베지어로 라운딩한 곡선을 페이드인하고, 원본 경로 고스트와 스무딩 경로 에이전트가 함께 걷는 9.5초 루프로 만들어줘.

라이브 데모 열기 — 경로 스무딩 (LOS 풀링 + 코너 라운딩)

Theta* 임의 각도 길찾기

Theta* any-angle path planning (line-of-sight parent shortcut)

  • Canvas
  • JavaScript
  • C++

노드를 확장할 때 부모의 부모와 시야가 통하면 그 조상에 바로 연결해, 격자 탐색 속도로 45° 제약 없는 짧고 자연스러운 직선 경로를 만드는 Nash·Koenig의 Theta*다.

프롬프트

Canvas 2D로 26×15 격자에서 Basic Theta*를 구현해, 노드 u의 이웃 v를 볼 때 parent(u)와 v 사이 시야가 통하면 g(parent)+유클리드 거리로 parent를 조부모로 잇고 아니면 일반 A*처럼 u를 부모로 삼게 해줘(휴리스틱은 유클리드). 4.4초 동안 닫힌 노드마다 부모 포인터 선을 임의 각도로 그려 별 모양으로 퍼지는 탐색을 보여 주고, 끝나면 A* 8방향 경로(주황 점선)와 Theta* 경로(노란 글로우)를 겹쳐 그려 비용을 비교하며 두 에이전트가 동시에 걷는 9초 루프로 만들어줘.

라이브 데모 열기 — Theta* 임의 각도 길찾기

D* Lite 재계획 (새 벽 발견)

D* Lite incremental replanning around newly discovered walls

  • Canvas
  • JavaScript
  • ROS

목표에서 거꾸로 계산한 g·rhs 값을 유지하다가 이동 중 센서로 새 벽을 발견하면 영향받은 노드만 다시 처리해 경로를 고치는 Koenig·Likhachev의 D* Lite로, 미지의 지형을 탐험하는 로봇·유닛의 실시간 재계획을 보여 준다.

프롬프트

Canvas 2D로 24×13 격자에서 4방향 D* Lite(키 [min(g,rhs)+h(s_start,s)+km, min(g,rhs)], 맨해튼 h)를 구현해, 알려진 벽만으로 목표에서 역방향 탐색한 뒤 에이전트가 0.19초마다 g+c가 최소인 이웃으로 한 칸씩 움직이게 해줘. 반경 2칸 센서에 숨은 벽(점선 윤곽)이 들어오면 벽을 backOut으로 솟아오르게 하고 km += h(s_last, s_start) 갱신 후 해당 칸과 이웃만 UpdateVertex·ComputeShortestPath로 고쳐, 이번 재계획에서 처리된 노드를 주황색으로 0.8초 페이드시켜줘. g 값은 청록 히트맵, 현재 계획 경로는 하늘색 글로우, 우상단에 재계획 횟수와 갱신 노드 수(초기 탐색 대비)를 표시해줘.

라이브 데모 열기 — D* Lite 재계획 (새 벽 발견)

조향 행동: 탐색·도착·도주

Steering behaviors: seek, arrive and flee (Reynolds)

  • Canvas
  • Unity
  • JavaScript

원하는 속도에서 현재 속도를 뺀 조향력을 최대 힘으로 제한해 더하는 Reynolds 조향의 기본 세 가지로, 목표를 지나쳐 맴도는 Seek, 감속 반경에서 부드럽게 멈추는 Arrive, 공포 반경 안에서 달아나는 Flee를 한 화면에서 비교한다.

프롬프트

Canvas 2D로 2초마다 easeInOut으로 점프하는 목표 십자선을 두고, 60Hz 고정 스텝으로 Seek(최대 속도 120, 최대 힘 220), Arrive(감속 반경 60에서 속도 = max×d/60), Flee(공포 반경 75 안에서만 반대 방향, 밖에서는 중앙으로 복귀) 에이전트 3기를 시뮬레이션해줘. steering = desired − velocity를 최대 힘으로 clamp해 더하고, 각 에이전트에 desired 속도(흰 점선 화살표)와 steering 벡터(고유색 화살표), 페이드되는 궤적 40점, 감속·공포 반경 점선 링을 그려 8초 루프로 만들어줘.

라이브 데모 열기 — 조향 행동: 탐색·도착·도주

추격·회피 (예측 조향)

Pursuit and evade steering with future-position prediction

  • Canvas
  • Unity
  • JavaScript

목표의 현재 위치 대신 속도×예측 시간만큼 앞을 노려 가로질러 잡는 Pursuit와, 추격자의 예측 위치에서 달아나는 Evade를 단순 Seek와 비교해 예측 조향의 차이를 보여 준다.

프롬프트

Canvas 2D로 Reynolds의 Pursuit·Evade를 60Hz로 시뮬레이션해줘: 추격자(최대 속도 118, 최대 힘 430)는 T = min(1.4, 거리/최대속도)로 목표의 미래 위치 p + v·T를 seek하고, 같은 속도의 단순 Seek 추격자(회색)와 포획 횟수를 비교해줘. 회피자(최대 78)는 배회하다가 추격자가 110 이내로 오면 추격자의 예측 위치에서 flee하는 비율을 거리에 따라 0.4→1로 올리게 하고, 각 예측점은 점선과 고스트 원으로, 반경 14 안에 들면 포획으로 0.6초 링과 함께 회피자를 가장 먼 모서리로 재배치하는 9초 루프로 만들어줘.

라이브 데모 열기 — 추격·회피 (예측 조향)

배회 행동 (원형 지터)

Wander steering behavior (displacement circle with jitter)

  • Canvas
  • Unity
  • p5.js

진행 방향 앞에 원을 두고 원 위의 목표점을 조금씩 무작위로 돌려 그 점을 쫓게 해, 매 프레임 랜덤 방향보다 훨씬 부드럽고 생물 같은 배회를 만드는 Reynolds의 Wander다.

프롬프트

Canvas 2D로 에이전트 8기에 Reynolds Wander를 적용해줘: 진행 방향으로 D=34 앞에 반지름 R=16 원을 두고 원 위 각도 θ에 초당 ±5.5rad 랜덤 지터를 누적해 목표점을 정한 뒤 최대 속도 58·최대 힘 90으로 seek하고, 가장자리 34px에서는 부드러운 경계 유지 힘을 더해줘. 대표 에이전트에는 원, 중심점, 변위 화살표, D/R 라벨을 그리고 모두 60점 페이드 궤적을 남기는 8초 루프로 만들어줘.

라이브 데모 열기 — 배회 행동 (원형 지터)

장애물 회피 (감지 박스)

Obstacle avoidance steering with a speed-scaled detection box

  • Canvas
  • Unity
  • C++

에이전트 앞에 속도에 비례하는 감지 박스를 두고 로컬 좌표로 변환한 장애물 중 가장 가까운 교차점을 찾아 측면 밀어내기와 제동력을 더하는 Buckland식 장애물 회피 조향이다.

프롬프트

Canvas 2D로 원형 장애물 8개 사이를 에이전트 5기가 좌우 목표를 왕복하게 하고, 감지 박스 길이 = 22 + 22×(속도/최대속도 70), 폭 = 에이전트 반지름×2로 정해줘. 장애물을 에이전트 로컬 좌표로 변환해 앞쪽(x>0)이고 |y| < r+5인 것 중 교차점이 가장 가까운 장애물을 고르고, 측면력 = (r+5−|y|)×(1+(박스−x)/박스)×7, 제동력 = (r+5−x)×1.2를 조향에 더해줘. 감지 박스는 반투명 사각형, 걸린 장애물은 붉은 링과 글로우, 회피 힘은 붉은 화살표로 그리는 9초 루프로 만들어줘.

라이브 데모 열기 — 장애물 회피 (감지 박스)

경로 추종 (미래 위치 투영)

Path following via predicted position projection onto the path

  • Canvas
  • Unity
  • p5.js

현재 속도로 조금 앞의 미래 위치를 구해 경로 선분에 수직 투영하고, 경로 반경을 벗어날 때만 투영점보다 앞쪽을 seek해 도로를 따라가게 하는 Reynolds의 경로 추종이다.

프롬프트

Canvas 2D로 48개 점의 닫힌 곡선 도로(반경 12)를 만들고 에이전트 6기(최대 속도 60~105)에 경로 추종을 적용해줘: 진행 방향 26 앞의 미래 위치를 모든 선분에 클램프 투영해 가장 가까운 점을 찾고, 그 거리가 경로 반경의 절반(6)을 넘으면 투영점에서 선분 방향으로 16 앞을 seek, 안이면 직진하게 해줘. 반경 16 분리력을 더하고, 대표 에이전트에는 미래 위치·투영점(안이면 초록, 밖이면 빨강)·seek 목표 원을 그리며, 도로는 그림자 있는 띠와 진행 방향 화살표로 표현한 9초 루프로 만들어줘.

라이브 데모 열기 — 경로 추종 (미래 위치 투영)

ORCA 상호 충돌 회피 (RVO2)

ORCA optimal reciprocal collision avoidance (RVO2 linear programming)

  • Canvas
  • RVO2
  • Unity

이웃마다 상대 속도 공간에 '절반씩 책임지는' 반평면 제약을 만들고 선형 계획법으로 선호 속도에 가장 가까운 허용 속도를 골라, 수십 명이 서로 부딪히지 않고 엇갈려 지나가게 하는 군중 로컬 회피다.

프롬프트

Canvas 2D로 원 둘레(반지름 76)의 에이전트 14기가 정반대 지점으로 동시에 건너가게 하고, RVO2 방식 ORCA를 구현해줘: timeHorizon 1.6초, neighborDist 70, 반지름 6.5, 최대 속도 52(에이전트별 0.82~1.12배), 30Hz 스텝에서 이웃마다 절단 원/좌우 다리 투영으로 u를 구해 반평면(point = v + u/2)을 만들고 linearProgram2로 선호 속도에 가장 가까운 해를, 실패 시 linearProgram3로 최소 침범 해를 구해줘. 초기 위치·각도에 지터를 주고 선호 속도를 0.12rad(±0.15) 오른쪽으로 틀어 대칭 교착을 깨고, 우하단 인셋에 대표 에이전트의 속도 공간(금지 반평면 붉은 음영, 최대 속도 원, 선호 속도 점, LP 해 화살표)을 실시간으로 그리는 7초 루프로 만들어줘.

라이브 데모 열기 — ORCA 상호 충돌 회피 (RVO2)

대형 이동 (슬롯 재배정)

Formation movement with anchor-relative slots and greedy slot reassignment

  • Canvas
  • Unity
  • Unreal Engine

리더 앵커의 위치·방향을 기준으로 회전한 슬롯 오프셋에 유닛을 배정해 쐐기·횡대·종대·원진으로 대형을 바꾸며 이동시키는 RTS·전술 게임의 분대 이동 기법이다.

프롬프트

Canvas 2D로 8자 리사주 경로(각속도 0.32rad/s)를 도는 리더 앵커 뒤에 유닛 7기를 두고, 슬롯 월드 위치 = 앵커 + R(헤딩)·오프셋으로 매 프레임 계산해줘. 2.5초마다 쐐기(행마다 15×13 간격) → 횡대(11 간격) → 종대(14 간격) → 원진(반지름 26)으로 바꾸고, 바뀔 때 모든 (유닛, 슬롯) 쌍 중 가장 가까운 쌍부터 확정하는 그리디 배정으로 교차를 줄여줘. 유닛은 슬롯까지 arrive(감속 30, 최대 85)와 반경 10 분리력으로 움직이고, 슬롯은 점선 원, 유닛→슬롯 배정선, 우상단 대형 이름을 표시하는 10초 루프로 만들어줘.

라이브 데모 열기 — 대형 이동 (슬롯 재배정)

유한 상태 기계 경비병 (순찰→추격→수색→복귀)

Finite state machine guard: patrol → chase → search → return

  • Canvas
  • Unity
  • Godot

경비병이 순찰하다 시야에 플레이어가 들어오면 추격하고, 놓치면 마지막 목격 위치를 수색한 뒤 경로로 복귀하는 과정을 상태 다이어그램과 전이 조건 하이라이트로 함께 보여 주는 스텔스 게임 AI의 기본 구조다.

프롬프트

Canvas 2D로 왼쪽 맵에 기둥 3개와 4개 웨이포인트 순찰 경로를 두고, 경비병을 PATROL(속도 34) → CHASE(52, 시야 놓친 지 0.35초 후 전이) → SEARCH(마지막 목격 위치에서 2.4초 동안 sin으로 고개 돌리기) → RETURN(가장 가까운 웨이포인트) 4상태 FSM으로 60Hz 갱신해줘. 시야는 70° 콘·사거리 88에 기둥 레이캐스트로 가린 부채꼴을 상태색으로 칠하고, 오른쪽 패널에 4상태 다이아몬드 다이어그램을 그려 활성 상태는 맥동 글로우, 방금 발화한 전이 화살표는 0.9초간 흰색과 조건 라벨(시야 포착/시야 놓침/재발견/2.4초 경과/경로 복귀)로 강조해 10.5초 루프로 만들어줘.

라이브 데모 열기 — 유한 상태 기계 경비병 (순찰→추격→수색→복귀)

계층적 상태 기계 (HFSM + 히스토리)

Hierarchical finite state machine with superstate transitions and shallow history

  • Canvas
  • Unity
  • Unreal Engine

평시·전투 같은 상위 상태 안에 하위 상태를 중첩해 '피격'·'적 소멸' 같은 전이를 상위에 한 번만 정의하고, 복귀 시 히스토리로 마지막 하위 상태를 되살리는 HFSM 구조를 이벤트 로그와 함께 보여 준다.

프롬프트

Canvas 2D로 HFSM 다이어그램을 그려줘: 상위 상태 평시(순찰⇄휴식)와 전투(사격→재장전→사격, 엄폐→사격)를 둥근 상자로 중첩하고, 이벤트는 현재 리프에서 처리 못 하면 부모로 버블링되게 구현해줘('피격'은 사격·재장전 모두에서, '적 발견'·'적 소멸'은 상위 상태에 정의). 10초 스크립트 이벤트(1.2s 피로, 2.2s 적 발견, 3.9s 탄창 비움, 4.9s 장전 완료, 5.7s 피격, 6.9s 안전, 7.7s 적 소멸, 8.8s 휴식 끝)를 재생하며 활성 리프는 맥동, 발화 전이는 0.9초 흰색, 상위 상자의 H 배지는 얕은 히스토리로 '적 소멸' 후 휴식을 복원하게 하고, 오른쪽에 활성 구성 브레드크럼·탄약 6칸·이벤트 로그를 표시해줘.

라이브 데모 열기 — 계층적 상태 기계 (HFSM + 히스토리)

행동 트리 실시간 노드 하이라이트

Behavior tree tick with live node status highlighting (selector / sequence)

  • Canvas
  • Unreal Engine
  • Unity

루트 셀렉터가 매 틱 왼쪽부터 자식을 평가해 도주·전투·순찰 중 하나를 고르고, 각 노드가 SUCCESS·FAILURE·RUNNING을 부모에 돌려주는 흐름을 방문 순서대로 색칠해 행동 트리의 동작 원리를 보여 준다.

프롬프트

Canvas 2D로 행동 트리를 그려줘: 루트 Selector(?) 아래 Sequence 도주[조건 HP<30% → 액션 도주], Sequence 전투[조건 적 보임 → Selector(조건 사거리≤5, 액션 접근=RUNNING) → 액션 사격], 액션 순찰(RUNNING). 2Hz로 루트부터 재평가하는 리액티브 틱을 구현하고 한 틱 안에서 방문 순서대로 0.35초에 걸쳐 노드를 밝혀 SUCCESS 초록, FAILURE 빨강, RUNNING 노랑(맥동)으로 칠하며 조건은 육각형, 액션은 사각형, 컴포지트는 알약형으로 구분해줘. 블랙보드(HP, 적 보임, 거리)는 10초 동안 2.4s 적 등장 → 거리 9→3 접근 → 5s부터 HP 감소 → 6.6s HP 25로 도주 전환되게 스크립트하고, 오른쪽에 블랙보드 패널과 NPC 미니 장면을 함께 그려줘.

라이브 데모 열기 — 행동 트리 실시간 노드 하이라이트

유틸리티 AI 점수 막대

Utility AI action scoring with response curves and commitment bonus

  • Canvas
  • Unity
  • Godot

배고픔·피로·지루함·외로움 같은 욕구를 응답 곡선으로 0~1 점수로 바꿔 가장 높은 행동을 고르고, 현재 행동에 작은 관성 보너스를 줘 우유부단한 전환을 막는 유틸리티 AI 의사결정을 보여 준다.

프롬프트

Canvas 2D로 방 안 NPC와 식사·수면·놀이·대화 오브젝트 4개를 두고, 욕구 4개를 초당 0.11/0.075/0.09/0.06씩 증가시켜줘. 행동 점수 = 응답 곡선(식사 x², 수면 logistic k=12·중심 0.62, 놀이 0.85x, 대화 0.8√x) + 현재 행동 관성 0.08로 30Hz마다 계산해 최고 점수 행동으로 전환하고, NPC가 해당 오브젝트로 70px/s 이동해 도착하면 그 욕구를 초당 0.42씩 줄이게 해줘. 오른쪽에 행동별 점수 막대와 미니 응답 곡선 그래프(현재 입력 위치 흰 점)를 그리고 선택된 행동은 테두리 강조, 하단에 욕구 게이지를 표시하는 10초 루프로 만들어줘.

라이브 데모 열기 — 유틸리티 AI 점수 막대

GOAP 목표 지향 행동 계획

Goal-oriented action planning (GOAP) with A* over world states

  • Canvas
  • Unity
  • C#

'적 처치' 목표를 위해 전제조건과 효과를 가진 행동들을 월드 상태 공간에서 A*로 탐색해 가장 싼 행동 순서를 스스로 짜고, 총이 없어지면 칼 루트로 재계획하는 전술 FPS식 GOAP를 보여 준다.

프롬프트

Canvas 2D로 월드 상태를 5비트(총·장전·칼·근접·처치)로 표현하고 행동 7개(총 줍기 2, 장전 1, 사격 1, 칼 줍기 1, 접근 3, 찌르기 1, 수류탄 6 비용, 각 전제조건·효과 비트)를 정의해, 목표 '처치'까지 순방향 A*(h = 목표 미달성 시 1)로 계획해줘. 탐색 트리를 깊이별 열로 배치해 노드마다 5개 상태 점과 g값, 엣지에 행동 이름·비용을 쓰고 4.2초 동안 확장 순서대로 열린(노랑)/닫힌(보라) 노드를 칠한 뒤 최소 비용 계획을 금색으로 강조해줘. 오른쪽에 계획 단계 리스트를 진행 바와 함께 실행하고, 루프마다 '총 있음'(총→장전→사격, 비용 4)과 '총 없음'(칼→접근→찌르기, 비용 5) 월드를 번갈아 재계획하는 10초 루프로 만들어줘.

라이브 데모 열기 — GOAP 목표 지향 행동 계획

영향력 맵 (전선 등치선)

Influence map with decay propagation, momentum and zero-isoline front

  • Canvas
  • JavaScript
  • C++

아군·적군 유닛이 뿌린 영향력을 벽을 피해 이웃으로 지수 감쇠 전파하고 모멘텀으로 부드럽게 갱신해, 두 세력의 차이가 0이 되는 등치선을 전선으로 읽어 내는 RTS 전술 AI의 공간 추론 기법이다.

프롬프트

Canvas 2D로 64×40 영향력 그리드 두 장(아군·적군)을 두고 30Hz마다 각 칸을 8이웃 최댓값 × e^(−0.16·거리)로 전파한 값과 lerp 0.45로 섞는 모멘텀 갱신을 해줘(벽 칸은 0, 유닛 칸은 1로 스탬프). 아군 5기는 왼쪽에서 진지를 지키다 6초부터 전진, 적군 5기는 1~6초 동안 오른쪽에서 easeInOut으로 진격하게 하고, (아군−적군)을 파랑·빨강 발산 색, 합을 밝기(긴장도)로 저해상도 픽셀 버퍼에 칠한 뒤 마칭 스퀘어로 0 등치선을 흰 점선 전선으로 그려 10초 루프로 만들어줘.

라이브 데모 열기 — 영향력 맵 (전선 등치선)

시야 콘 + 은신 감지 게이지

Vision cone with stealth detection meter (distance & light-scaled awareness)

  • Canvas
  • Unity
  • Unreal Engine

경비의 주시야·주변시 콘 안에서 시선이 통할 때 거리와 조명에 비례해 감지량이 차오르고, 의심(?)·발각(!) 단계를 거치며 시야를 벗어나면 서서히 식는 스텔스 게임의 단계형 인지 모델이다.

프롬프트

Canvas 2D로 상자 5개와 조명 2개가 있는 방에서 경비 시야를 레이캐스트 부채꼴로 그려줘: 주시야 60°·사거리 170, 주변시 140°·사거리 70. 플레이어가 시선(LOS) 안에 있으면 감지량을 초당 lerp(1.15, 0.25, 거리/170) × (조명 안 1, 어둠 0.3)만큼, 주변시에서는 0.35배로 올리고, 아니면 초당 0.3씩 줄여줘. 0.45 이상이면 노란 '?' 의심(시선 고정), 1.0이면 붉은 '!' 발각으로 콘 색과 머리 위 아크 게이지·상단 바(0.45 눈금)를 바꾸고, 좌하단에 감지량 히스토리 그래프를 그리며 엄폐물 사이를 숨어 이동하는 9초 스크립트 루프로 만들어줘.

라이브 데모 열기 — 시야 콘 + 은신 감지 게이지

재귀 섀도캐스팅 시야 (로그라이크 FOV)

Recursive shadowcasting field of view (8-octant roguelike FOV)

  • Canvas
  • libtcod
  • rot.js

시야를 8개 옥탄트로 나눠 행마다 시작·끝 기울기 사이를 스캔하고 벽을 만나면 기울기를 좁혀 재귀로 다음 행을 이어 가는 Björn Bergström의 섀도캐스팅으로, 로그라이크의 정확한 시야 계산 과정을 보여 준다.

프롬프트

Canvas 2D로 31×17 로그라이크 던전(#은 벽, .은 바닥, @는 플레이어)에서 반경 9 재귀 섀도캐스팅을 8개 옥탄트 변환 행렬(xx,xy,yx,yy)로 구현하고, 셀 방문 순서를 기록해 2.9초 동안 순서대로 밝혀줘. 스캔 중에는 현재 옥탄트의 시작·끝 기울기 두 선과 그 사이 부채꼴을 하늘색으로, 현재 칸은 흰 테두리로 표시하고, 보이는 바닥은 거리 감쇠 밝기, 보이는 벽은 따뜻한 베이지로 칠해줘. 완료 후 0.5초 동안 횃불 같은 주황 조명으로 전환하고, 4.5초마다 다른 위치에서 다시 계산하는 9초 루프로 만들어줘.

라이브 데모 열기 — 재귀 섀도캐스팅 시야 (로그라이크 FOV)

소리 전파와 청각 감지

Sound propagation through rooms with door attenuation and hearing threshold

  • Canvas
  • Unreal Engine
  • Unity

소음 발생 지점에서 벽은 돌아가고 문은 추가 감쇠를 받으며 퍼지는 경로 거리로 데시벨을 계산해, 임계값 이상을 들은 경비만 소리의 경로를 거슬러 조사하러 오게 하는 스텔스 게임의 청각 인지 모델이다.

프롬프트

Canvas 2D로 30×17 평면도(방 7개, 문 D 타일)에서 소음 지점부터 4방향 Dijkstra(바닥 1, 문 통과 +5.5)로 경로 비용을 구하고 음량 = 100dB − 2.4×비용으로 환산해줘. 파면이 초당 11칸으로 퍼지며 55dB 이상은 하늘색, 미만은 흐린 남색으로 칠하고 파면 가장자리를 흰색으로 빛나게 해줘. 경비 7명은 파면이 닿을 때 55dB 이상이면 '?'와 함께 Dijkstra 부모 포인터를 따라 소음원 쪽으로 이동하고, 미만이면 회색 '…'와 dB 값만 띄우게 하며, 루프마다 소음 위치를 바꾸는 9초 루프로 만들어줘.

라이브 데모 열기 — 소리 전파와 청각 감지

몬테카를로 트리 탐색 (틱택토)

Monte Carlo tree search with UCT on tic-tac-toe

  • Canvas
  • JavaScript
  • Python

선택(UCT)·확장·무작위 플레이아웃·역전파 네 단계를 수백 번 반복해 방문 수가 가장 많은 수를 고르는 MCTS로, 틱택토에서 막기와 동시에 쌍삼을 만드는 수를 찾아가는 과정을 보여 준다.

프롬프트

Canvas 2D로 X 차례 틱택토 국면(X: 0·8, O: 2·4)에서 MCTS를 시드 고정 난수로 420회 반복해줘: 선택은 UCT = W/N + √2·√(ln N_parent / N), 확장은 미시도 수 1개, 시뮬레이션은 끝까지 무작위, 역전파는 수를 둔 쪽 기준 승 1·무 0.5·패 0. 반복 횟수를 easeOutQuad로 5.6초에 걸쳐 늘리며 오른쪽에 루트→자식 미니 보드(N, Q)→손자 점(크기=방문 비율) 트리를 그리고 이번 반복의 선택 경로를 흰색으로, 왼쪽 보드에는 수별 방문 비율 히트맵을 표시해줘. 끝나면 최다 방문 수(칸 6)에 X를 스케일 팝으로 두는 9초 루프로 만들어줘.

라이브 데모 열기 — 몬테카를로 트리 탐색 (틱택토)

미니맥스 알파-베타 가지치기

Minimax search tree with alpha-beta pruning

  • Canvas
  • JavaScript
  • C++

번갈아 최대·최소를 고르는 미니맥스 트리를 깊이 우선으로 내려가며 α(최대 하한)와 β(최소 상한)를 전달하다가 α ≥ β가 되는 순간 나머지 형제를 잘라내 같은 결과를 더 적은 평가로 얻는 게임 트리 탐색을 단계별로 보여 준다.

프롬프트

Canvas 2D로 분기 3·깊이 3(잎 27개, 값 고정)의 게임 트리를 ▲MAX/▼MIN 삼각형 노드와 숫자 잎으로 그리고, 알파-베타 DFS를 진입·갱신·반환·가지치기 이벤트로 기록해 7.2초 동안 한 단계씩 재생해줘. 현재 노드는 흰 글로우와 α/β 라벨(−∞/+∞ 포함), 방문한 엣지는 민트, α ≥ β로 잘린 형제는 엣지에 붉은 컷 마크를 긋고 서브트리 전체를 반투명 빨강으로 흐리게 해줘. 끝나면 루트 값과 가지치기된 잎 수를 우상단에 표시하고 최선 수 경로를 금색으로 그리는 10초 루프로 만들어줘.

라이브 데모 열기 — 미니맥스 알파-베타 가지치기

AI 디렉터 긴장도 곡선

AI director pacing: build-up, sustain peak, peak fade, relax (survivor intensity)

  • Canvas
  • Unreal Engine
  • Unity

생존자의 피격·근접 처치로 쌓이는 감정 강도를 추적해 빌드업 동안 시야 밖에서 적을 스폰하고, 피크를 넘으면 잠시 유지한 뒤 스폰을 멈추고 휴식기를 주는 협동 좀비 슈터식 AI 디렉터의 페이싱 루프를 보여 준다.

프롬프트

Canvas 2D로 상단에 생존자 4명이 있는 복도, 하단에 강도 그래프를 그리고 30Hz로 디렉터 상태 기계를 돌려줘: 빌드업에서는 초당 2.2+3×강도마리를 화면 양 끝(시야 밖)에서 스폰하고, 적이 생존자에게 닿으면 피격 45% 확률로 강도 +0.16, 아니면 +0.07, 교전이 없으면 초당 0.55(교전 중 0.03) 감쇠시켜줘. 강도 0.85를 넘으면 피크 유지(1.2초, 초당 1.6 스폰) → 피크 페이드(스폰 중지, 0.4 미만까지) → 휴식(1.3초) → 빌드업으로 돌아가고, 그래프에 단계별 색 띠와 라벨, 0.85·0.4 기준선, 스폰 눈금, 현재 점 글로우를 그리는 10초 루프로 만들어줘.

라이브 데모 열기 — AI 디렉터 긴장도 곡선

동적 난이도 조절 (몰입 채널)

Dynamic difficulty adjustment toward a target success rate (flow channel)

  • Canvas
  • Unity
  • JavaScript

최근 시도의 성공률을 목표 70%와 비교해 난이도를 조금씩 올리고 내려, 플레이어가 실력 대비 난이도 그래프의 불안·지루함 영역을 벗어나 몰입 채널 안에 머물게 하는 DDA 제어 루프다.

프롬프트

Canvas 2D로 왼쪽에 실력(x)–난이도(y) 몰입 채널 다이어그램(불안·몰입·지루함 3영역), 오른쪽에 성공률과 난이도/실력 시계열 그래프를 그려줘. 0.2초마다 시도 결과를 성공 확률 σ(12·(실력−난이도)+0.85)로 시드 난수 판정하고, 최근 8회 성공률로 난이도 += 0.08×(성공률 − 0.7)을 갱신하며 실력은 초당 0.035(5.5초부터 +0.06) 성장시켜줘. 플레이어 점은 영역에 따라 빨강·민트·파랑 글로우, 궤적은 노란 선, 시도는 성공/실패 눈금으로 표시하는 10초 루프로 만들어줘.

라이브 데모 열기 — 동적 난이도 조절 (몰입 채널)

신경망 진화 자동차 (유전 알고리즘)

Neuroevolution cars learning a track (genetic algorithm + ray-sensor MLP)

  • Canvas
  • JavaScript
  • TensorFlow.js

레이 센서 5개를 입력으로 받는 작은 신경망이 조향하는 자동차 24대를 달리게 하고, 가장 멀리 간 개체를 엘리트로 남겨 교차·돌연변이로 다음 세대를 만들며 트랙 주행을 스스로 배우는 신경진화 데모다.

프롬프트

Canvas 2D로 폭 32의 닫힌 곡선 트랙을 만들고 4px 격자에 중심선 최근접 인덱스·거리를 미리 계산해 충돌과 진행도(인덱스 증가량) 판정을 O(1)로 해줘. 자동차 24대는 −60°~60° 5개 레이(최대 64, 4px 스텝) 거리 + 바이어스를 5→6(tanh)→1 MLP에 넣어 조향(±3.2rad/s), 속도 78로 3배속 시뮬레이션하고, 전원 충돌 또는 6초면 진행도 상위 4대를 엘리트로 유지·나머지는 엘리트 둘의 균등 교차 + 30% 확률 ±0.45 돌연변이로 세대를 바꿔줘. 선두 차의 레이와 가중치 색 신경망 다이어그램, 세대별 최고 진행률 막대를 그리고 시드 고정으로 10초 루프에 리셋해줘.

라이브 데모 열기 — 신경망 진화 자동차 (유전 알고리즘)

군집 표적 배정 (오버킬 방지)

Swarm target selection with weighted scoring and damage reservation

  • Canvas
  • Unity
  • C#

드론 무리가 거리·위협도·손상도를 합산한 점수로 표적을 고르되, 이미 예약된 피해가 남은 체력을 넘는 표적은 건너뛰어 화력을 낭비하지 않고 분산하는 군집 전술 AI의 표적 배정 기법이다.

프롬프트

Canvas 2D로 드론 8기와 체력 5~14의 적 5기(위협도 0.3~1.0)를 웨이브로 두고 0.5초마다 재배정해줘: 모든 (드론, 적) 쌍의 점수 = 거리/160 − 0.8×위협 − 0.4×(1 − 체력비)를 계산해 가장 낮은 쌍부터 그리디로 확정하고, 적마다 예약 피해(배정 수 × DPS 1.6 × 1.4초)가 남은 체력 이상이면 더는 배정하지 않게 해줘. 드론은 0.62초마다 1 피해 트레이서를 쏘고, 배정선은 표적 색 점선, 체력바 아래에 흰 예약 피해 구간, 처치 시 확산 링을 그리는 9초 루프로 만들어줘.

라이브 데모 열기 — 군집 표적 배정 (오버킬 방지)

엄폐 지점 평가 (EQS 쿼리)

Cover point evaluation with an environment query (generate, test, score)

  • Canvas
  • Unreal Engine EQS
  • Unity

에이전트 주변에 후보 지점을 격자로 뿌리고 적 시야 차단 여부·이동 거리·적과의 선호 교전 거리를 테스트해 점수를 매긴 뒤 최고점 엄폐물로 달려가게 하는 언리얼 EQS 방식의 전술 위치 선택이다.

프롬프트

Canvas 2D로 상자 6개가 있는 전장에서 3초마다 에이전트 주변 13px 간격 격자(반경 84 이내, 장애물 안 제외)를 생성하고, 각 지점에 적→지점 레이 차단 테스트(보이면 0점), 에이전트 거리 점수 1−d/84, 적 거리 110 선호 점수 1−|d−110|/90를 0.55:0.45로 합산해줘. 0.8초 동안 지점을 순서대로 공개하며 최근 테스트 레이를 그리고(노출은 빨강), 점 크기·색을 점수에 맞춘 뒤 최고점을 금색 링과 점수 라벨로 표시하고 에이전트가 이동하게 해줘. 적은 타원 경로로 움직이며 레이캐스트 시야 부채꼴을 띄우는 9초 루프로 만들어줘.

라이브 데모 열기 — 엄폐 지점 평가 (EQS 쿼리)

인공 포텐셜 필드 (로컬 미니멈)

Artificial potential field navigation with local-minimum trap and random-walk escape

  • Canvas
  • JavaScript
  • ROS

목표의 인력 포텐셜과 장애물의 척력 포텐셜을 더한 지형에서 기울기를 따라 내려가 길을 찾지만, U자 장애물 안에서는 힘이 상쇄되는 로컬 미니멈에 갇히고 랜덤 워크로 빠져나오는 포텐셜 필드 내비게이션의 장단점을 보여 준다.

프롬프트

Canvas 2D로 인력 U_att = ½·0.0018·d², 척력 U_rep = ½·3600·(1/ρ − 1/34)² (ρ < 34)인 포텐셜을 96×60 해상도 로그 스케일 히트맵과 등고 밴드, 20px 간격 −∇U 화살표로 미리 렌더하고, U자 원형 장애물 8개와 원 2개를 배치해줘. 에이전트 3기는 중앙 차분 기울기의 반대 방향으로 이동하되 0.6초마다 이동량이 6 미만이 1.4초 누적되면 '로컬 미니멈' 경고 후 1.1초 랜덤 워크로 탈출하게 하고, 궤적 80점을 남기는 9초 루프로 만들어줘.

라이브 데모 열기 — 인공 포텐셜 필드 (로컬 미니멈)

Q-러닝 그리드월드

Tabular Q-learning gridworld with epsilon-greedy exploration

  • Canvas
  • JavaScript
  • Python

보상 +1 보석과 −1 함정이 있는 격자에서 ε-탐욕 에이전트가 시행착오를 거듭하며 칸마다 네 방향의 Q값을 벨만 갱신으로 채워 가고, 결국 최적 정책 화살표가 드러나는 강화학습의 기본 원리를 보여 준다.

프롬프트

Canvas 2D로 8×5 그리드월드(벽 3칸, 함정 4칸 −1, 보석 +1, 이동 −0.04)를 만들고 Q(s,a) += 0.5·(r + 0.92·max Q(s′) − Q(s,a)) 테이블 Q-러닝을 시드 고정 난수로 돌려줘. ε는 0.9에서 에피소드마다 ×0.93(최소 0.05)로 줄이고, 시간이 갈수록 초당 스텝 수를 2→6→30→400으로 가속해줘. 각 칸을 대각선 4개 삼각형으로 나눠 행동별 Q값을 초록(+)·빨강(−)으로 칠하고, 에이전트 궤적은 노란 선, 5.5초부터 탐욕 정책 화살표를 페이드인하며 오른쪽 패널에 에피소드 수·ε·보상 그래프를 그리는 10초 루프로 만들어줘.

라이브 데모 열기 — Q-러닝 그리드월드

리더 추종 (도착 감속 · 분리 · 길 비키기)

Leader following steering: arrive behind leader, separation & evade leader sight

  • Canvas
  • Unity
  • JavaScript

리더 뒤쪽 한 점으로 arrive하고 서로 분리하며, 리더 진행 방향 앞 구역에 들어간 추종자는 옆으로 비켜 길을 터 주는 Reynolds 리더 추종 조향으로 RTS 호위대·펫·NPC 일행 이동에 쓴다.

프롬프트

Canvas 2D로 좌우 끝에서 방향을 뒤집는 리사주 경로(x=160+118·sin(1.05t), y=108+30·sin(2.1t))를 도는 리더 뒤 24px 지점(behind = pos − v̂·24)에 추종자 10명이 감속 반경 50의 arrive로 모이게 하고, 반경 14 안 이웃에는 (14−d)/14 가중 분리력 ×120을 더해줘. 리더 앞 길이 54·폭 32 구역에 들어온 추종자는 리더 진행축의 법선 방향으로 150만큼 회피(주황 표시)하게 하고, 최대 힘 320·최대 속도 140, 60Hz 고정 스텝으로 behind 십자선·감속 반경·앞 구역을 겹쳐 그리는 9초 루프로 만들어줘.

라이브 데모 열기 — 리더 추종 (도착 감속 · 분리 · 길 비키기)

동적 장애물 카빙 · 타일 부분 재빌드

Dynamic obstacle carving with dirty-tile navmesh rebuild (tiled navmesh)

  • Canvas
  • Recast/Detour
  • Unity NavMesh

움직이는 상자가 놓일 때 그와 겹친 내비메시 타일만 더티로 표시해 한 타일씩 다시 빌드하고, 에이전트는 갱신된 메시로 재계획하는 타일 기반 런타임 내비메시 갱신 기법으로 문·바리케이드·파괴 오브젝트가 있는 맵에 쓴다.

프롬프트

Canvas 2D로 32×18 격자를 8×6 셀 타일 12개로 나누고, 벽과 3×3 상자를 에이전트 반경 1셀만큼 침식한 뒤 타일마다 그리디 사각형 분할로 볼록 폴리곤을 만들어 색으로 구분해줘. 상자가 1·4·7초에 0.6초 easeInOut으로 옮겨지면 이전·새 위치(침식 포함)와 겹친 타일만 DIRTY(빨간 점선)로 표시하고 0.24초에 한 타일씩 스캔라인으로 재빌드하며, 새 메시가 반영될 때까지 막힌 칸 앞의 에이전트는 대기하다 A*로 재계획하게 해줘. 우상단에 부분 재빌드 타일 수/전체 12와 폴리곤 수를 표시하는 10초 루프로 만들어줘.

라이브 데모 열기 — 동적 장애물 카빙 · 타일 부분 재빌드

오프메시 링크 (점프 · 사다리 · 낙하)

Off-mesh links: jump, ladder & one-way drop connecting navmesh islands

  • Canvas
  • Unreal Engine
  • Recast/Detour

끊어진 내비메시 섬들을 비용이 붙은 점프·사다리·단방향 낙하 링크로 연결해 길찾기 그래프에 넣고, 링크를 런타임에 끄면 다른 경로로 재계획되는 오프메시 링크 구조를 보여 준다.

프롬프트

Canvas 2D 측면 뷰로 왼쪽 바닥·오른쪽 바닥(사이에 구덩이)·위쪽 선반 3개의 내비메시 섬을 두고, 걷기 비용 = 거리/10, 점프 링크 6(양방향), 사다리 8(양방향), 낙하 2(단방향) 링크를 연결해 그래프 최단 경로를 계산해줘. 처음엔 점프 경로(24.8)를 골라 포물선 높이 38px·0.62초 점프로 건너고, 4.6초에 점프 링크를 비활성화(빨간 X)하면 비용이 ∞가 되어 사다리 1초 + 선반 걷기 + 0.5초 낙하 경로(34.4)로 재계획해 이동하게 해줘. 우상단에 두 경로 비용 비교를 띄우는 10.4초 루프로 만들어줘.

라이브 데모 열기 — 오프메시 링크 (점프 · 사다리 · 낙하)

군중 차선 자기조직화 (사회적 힘 모델)

Bidirectional pedestrian lane formation with the social force model

  • Canvas
  • JavaScript
  • Unity

반대 방향으로 걷는 보행자들이 사회적 힘(목표 속도 구동 + 지수 반발 + 벽 반발)만으로 같은 방향끼리 줄지어 차선을 스스로 만드는 Helbing 모델로, 역·광장·축제 군중 시뮬레이션에 쓴다.

프롬프트

Canvas 2D로 높이 120px의 좌우 순환 복도에 오른쪽·왼쪽 보행자 35명씩을 무작위 배치하고, 구동력 (34·ê − v)/0.45, 반발력 110·exp((9 − d)/5)에 시야 비등방성 λ=0.2, 벽 반발 80·exp((4.5 − d)/4), 앞 36px 안 마주 오는 사람에게 오른쪽 회피 40, 같은 방향 앞사람 뒤로 붙는 추종 2를 더해 30Hz로 적분해줘. 32×10 셀 밀도 히트맵을 방향 비율로 빨강·파랑 섞어 칠하고, 차선 질서 φ = ⟨((Ns−No)/(Ns+No))²⟩와 평균 진행 속도를 그래프로 보여 주는 10초 루프로 만들어줘.

라이브 데모 열기 — 군중 차선 자기조직화 (사회적 힘 모델)

지각 · 기억 시스템 (마지막 목격 위치)

AI perception memory: stimulus records with last-known position & confidence decay

  • Canvas
  • Unreal Engine
  • Unity

시각·청각 자극을 위치·신뢰도·경과 시간이 담긴 기억 레코드로 저장하고 신뢰도가 줄어드는 동안 가장 믿을 만한 단서를 조사하는 AI 지각 기억 구조로, 플레이어가 숨은 뒤에도 그럴듯하게 추적하는 경비병을 만들 때 쓴다.

프롬프트

Canvas 2D로 시야각 76°·거리 108의 경비병이 플레이어를 보면 시각 레코드(신뢰도 1, 위치 갱신)를 만들고 놓치면 초당 0.11씩 감쇠시키며 불확실 반경을 3 + 경과초×7로 키워줘. 4.9초에 반경 165 안에서 난 소리를 청각 레코드(신뢰도 0.85, 초당 0.13 감쇠)로 추가하고, 매 프레임 신뢰도가 가장 높은 레코드로 이동해 도착하면 1.3초 둘러본 뒤 '없음'으로 삭제, 레코드가 없으면 초소로 복귀하게 해줘. 오른쪽 패널에 레코드 목록(아이콘·신뢰도 바·경과 시간)과 이벤트 로그를 보여 주는 10초 루프로 만들어줘.

라이브 데모 열기 — 지각 · 기억 시스템 (마지막 목격 위치)

분대 전술 · 제압과 측면 기동

Squad tactics: suppressing fire pins the player while a flanker takes a side route

  • Canvas
  • Unreal Engine
  • Unity

한 명이 제압 사격으로 엄폐한 플레이어를 묶어 두는 동안 다른 대원이 측면 경로로 돌아 사선을 확보하고, 역할·진행 상황을 공유 블랙보드와 콜아웃 대사로 맞추는 슈터 분대 AI 전술이다.

프롬프트

Canvas 2D로 분대 3명에게 제압(A)·측면(B)·엄호(C) 역할을 1.2~1.6초에 배정하고, A는 1.8~6.3초 동안 0.15초 간격 예광탄을 엄폐물에 쏘아 플레이어 제압도를 1.2초에 100%까지 올려줘. B는 장애물 위쪽 웨이포인트 5개를 단계별 easeInOut으로 4.3초간 이동해 측면 사선(초록 점선)을 확보하면 '측면 도착!'·'사격 중지!' 콜아웃과 함께 사격을 넘겨받고, 플레이어의 보호각(초록)과 노출 측면(빨강) 부채꼴을 표시해줘. 오른쪽 블랙보드에 적 위치·역할·제압도·측면 진행률·사선 확보를 기록 순간 하이라이트하는 10초 루프로 만들어줘.

라이브 데모 열기 — 분대 전술 · 제압과 측면 기동

블랙보드 아키텍처 (공유 지식 · 관찰자)

Blackboard architecture: shared knowledge base with module read/write and observer aborts

  • Canvas
  • Unreal Engine
  • Behavior Designer

지각·무기·체력·위협 평가·엄폐 선택 모듈이 하나의 키-값 블랙보드에 쓰고 읽으며, 행동 트리가 관찰하는 키가 바뀌면 즉시 재평가하는 게임 AI 데이터 흐름 구조를 패킷 애니메이션으로 보여 준다.

프롬프트

Canvas 2D로 중앙 블랙보드에 7개 키(적 위치·소음 위치·탄약·체력·위협도·목표 엄폐·현재 행동)를 버전 번호와 함께 두고, 왼쪽 쓰기 모듈 3개·오른쪽 읽기/쓰기 모듈 3개를 베지어 선으로 잇어줘. 17개 이벤트를 시간표대로 재생하며 쓰기는 모듈색 점, 읽기는 흰 점이 0.36초 동안 선을 따라 이동하고 도착 시 키 행이 0.8초 노란색으로 깜빡이게 해줘. 눈 아이콘이 붙은 관찰 키가 바뀌면 행동 트리가 '재평가' 말풍선과 함께 현재 행동을 엄폐 이동→재장전→후퇴→소음 조사로 바꾸는 10초 루프로 만들어줘.

라이브 데모 열기 — 블랙보드 아키텍처 (공유 지식 · 관찰자)

HTN 계층적 작업 네트워크 플래너

Hierarchical Task Network (HTN) planner with method decomposition & replanning

  • Canvas
  • Unreal Engine
  • C#

복합 작업을 전제조건이 맞는 첫 메서드로 분해해 원시 작업 큐를 만들고, 실행 중 세계 상태가 바뀌어 작업이 실패하면 다음 메서드로 다시 분해하는 HTN 플래너로, 설계자가 행동 순서를 통제하고 싶은 NPC 계획에 쓴다.

프롬프트

Canvas 2D로 루트 복합 작업 '적 처치' 아래 메서드 3개(사격 전술: 총∧탄약>0 → 엄폐 이동·조준·사격 / 근접 전술: 칼 → 접근[경로 이동 → 경로 계산·달리기]·베기 / 후퇴)를 트리로 그리고, 노드가 0.3초 easeOut으로 펼쳐지며 메서드 위에 전제조건 ✓/✗를 표시해줘. 원시 작업을 큐 순서대로 실행(진행 중 노랑, 완료 초록)하다 사격 중 탄약 3발이 0이 되면 작업 실패 → '재계획' 배너 → 사격 전술 ✗, 근접 전술 ✓로 재분해해 새 큐를 실행하고, 오른쪽에 세계 상태(총·칼·탄약·적 HP)와 계획 큐를 보여 주는 10초 루프로 만들어줘.

라이브 데모 열기 — HTN 계층적 작업 네트워크 플래너

인간다운 반응 지연 · 조준 오차

Human-like AI aiming: reaction delay, tracking lag & shrinking spread by difficulty

  • Canvas
  • Unity
  • Unreal Engine

적 AI가 목표를 본 뒤 반응 시간만큼 늦게 인지하고, 지연된 위치를 1차 지연 필터로 따라가며, 탄 퍼짐이 교전 시간에 따라 줄어들게 해 난이도별로 공정하고 사람다운 사격을 만드는 기법이다.

프롬프트

Canvas 2D로 쉬움/보통/어려움 3개 패널에 같은 좌우 무빙 표적을 0.6초에 등장시키고, 반응 시간 450/280/160ms 뒤 인지, 지각 위치 = 반응 시간만큼 과거의 표적 위치, 조준 = 지각 위치를 k=4/7/12의 1−e^(−k·dt) 추종, 탄 퍼짐 = 최소 + (초기 − 최소)·e^(−교전시간/τ)(18→6, 14→3.5, 9→2px, τ 2.6/1.8/1.1초)로 계산해줘. 초당 2.2/3/4발을 퍼짐 원 안 무작위 지점에 쏘아 명중은 초록 스파크로 표시하고, 하단에 표적 x와 조준 x 2초 스트립 차트와 명중률을 보여 주는 9.5초 루프로 만들어줘.

라이브 데모 열기 — 인간다운 반응 지연 · 조준 오차

치팅 AI vs 정직한 AI (정보 접근)

Cheating omniscient AI vs fair perception-limited AI (information access)

  • Canvas
  • Unity
  • Godot

플레이어의 실제 위치를 그대로 읽는 치팅 AI와 시야·소리로 얻은 단서만 쓰는 정직한 AI를 같은 맵에서 나란히 돌려, 같은 결과라도 플레이어가 부당함과 공정함을 다르게 느끼는 이유를 정보 접근 관점에서 보여 준다.

프롬프트

Canvas 2D로 12×9 미로 두 개를 나란히 놓고 플레이어가 3.4칸/초로 숨는 곳까지 달리면, 왼쪽 치팅 AI는 0.3초마다 실제 위치로 A* 재계획(빨간 '벽 투시' 점선)하고 오른쪽 정직한 AI는 거리 7칸 시야 LOS로만 마지막 목격 칸을 기록해 그곳으로 간 뒤 1초 둘러보고, 거기서 보이지 않는 BFS 8칸 이내 사각지대 칸을 가까운 순으로 수색하게 해줘(둘 다 3칸/초). 정직한 쪽은 보이지 않는 칸을 안개로 덮고, 패널 아래에 시야·청각·실제 위치 정보 칩(✓/✗)과 '벽 너머로 쫓아옴 → 부당함' / '단서를 따라옴 → 공정' 체감 문구, 발견 시간을 보여 주는 10초 루프로 만들어줘.

라이브 데모 열기 — 치팅 AI vs 정직한 AI (정보 접근)

감정 모델 AI (공포 · 분노 → 행동)

Emotion-driven AI: fear & anger meters from events select flee / charge / cover

  • Canvas
  • Unity
  • Unreal Engine

피격·동료 사망·적의 빈틈·폭발 같은 사건이 공포와 분노 수치를 올리고 시간에 따라 기준값으로 감쇠하며, 그 조합으로 도주·돌격·엄호 행동과 표정이 바뀌는 감정 기반 NPC AI다.

프롬프트

Canvas 2D로 이벤트 시간표(1.0·2.0초 피격 공포+0.2 분노+0.3, 3.3초 동료 사망 공포+0.55, 5.5초 적 재장전 노출 분노+0.5 공포−0.35, 7.4초 근처 폭발 공포+0.62)를 적용하고 공포·분노를 τ=3.2초 지수 감쇠로 0.1에 되돌려줘. 공포>0.55이고 분노보다 크면 도주, 분노>0.5면 돌격, 아니면 엄호 사격으로 정하되 해제 임계 0.42/0.38의 히스테리시스를 두고, 눈 크기·눈썹 기울기·입 모양이 수치에 따라 변하는 얼굴, 두 수치 바와 10초 히스토리 그래프, 공포↔분노 평면 점을 오른쪽 패널에 그리는 10초 루프로 만들어줘.

라이브 데모 열기 — 감정 모델 AI (공포 · 분노 → 행동)

점유 맵 표적 수색 (확률 확산)

Occupancy map target search: probability diffusion cleared by vision

  • Canvas
  • JavaScript
  • Unreal Engine

시야에서 사라진 표적의 위치를 격자 확률 분포로 보고, 매 틱 이웃 칸으로 확산시키되 지금 보이는 칸은 0으로 지운 뒤 가장 확률이 높은 칸으로 수색하러 가는 Isla의 점유 맵 기법으로 잠입·추적 게임의 수색 AI에 쓴다.

프롬프트

Canvas 2D로 26×15 맵에서 처음 본 표적 칸에 확률 1을 두고, 표적이 안 보이는 동안 0.1초마다 각 칸 확률의 35%를 열린 4방향 이웃에 균등 분배한 뒤 경비의 시야(거리 8칸·120°·LOS) 칸을 0으로 만들고 합이 1이 되게 정규화해줘. 경비는 argmax 칸이 바뀔 때마다 A*로 재계획해 3칸/초로 이동하고 도착하면 회전하며, 표적이 보이면 분포를 그 칸으로 붕괴시켜줘. 확률은 히트맵(p^0.45 감마), 시야 칸은 하늘색, 숨은 실제 표적은 반투명으로 그리고 후보 칸 수와 최대 확률을 표시하는 10초 루프로 만들어줘.

라이브 데모 열기 — 점유 맵 표적 수색 (확률 확산)

스마트 오브젝트 (어포던스 광고)

Smart objects advertising affordances (Sims-style need satisfaction & slot reservation)

  • Canvas
  • Unity
  • Unreal Engine

냉장고·침대·TV 같은 오브젝트가 자신이 채워 주는 욕구를 광고하고, 에이전트는 욕구 긴급도와 거리로 점수를 매겨 고른 뒤 슬롯을 예약해 사용하는 생활 시뮬레이션식 스마트 오브젝트 구조로, 행동 로직을 오브젝트 쪽에 둬 콘텐츠를 쉽게 늘릴 때 쓴다.

프롬프트

Canvas 2D 방 안에 오브젝트 6개(냉장고 +55 배고픔, TV +45 재미, 침대 +60 에너지, 소파 +20 에너지·+25 재미, 샤워 +55 위생, 책장 +30 재미)가 2초 주기 링으로 광고하게 하고, 에이전트 3명의 욕구 4개를 초당 0.04~0.07씩 감소시켜줘. 선택 시 점수 = Σ 광고량 × (1 − 욕구)^1.5 × 2 ÷ (1 + 거리/150)을 모든 오브젝트에 계산해 1.1초 동안 점수선으로 보여 주고(예약된 오브젝트는 '예약됨'), 최고점 오브젝트를 예약 후 55px/s로 걸어가 지속시간 동안 욕구를 채우며 진행 링을 그리는 10초 루프로 만들어줘.

라이브 데모 열기 — 스마트 오브젝트 (어포던스 광고)

컨텍스트 스티어링 (관심 · 위험 맵)

Context steering with interest and danger maps (16-slot masking)

  • Canvas
  • Unity
  • Godot

16방향 슬롯마다 목표 쪽 관심도와 장애물·위험 레이 거리로 위험도를 기록한 뒤, 최소 위험보다 위험한 슬롯을 가리고 남은 관심이 가장 큰 방향으로 움직여 조향 행동 합성의 상쇄·떨림 문제를 피하는 Andrew Fray의 컨텍스트 스티어링이다.

프롬프트

Canvas 2D로 원형 장애물 6개와 좌우로 순찰하는 위험 드론(영향 반경 55) 사이를 웨이포인트 4개 순서로 도는 에이전트를 만들고, 16슬롯마다 관심 = max(0, d̂·목표 방향), 위험 = 1 − (장애물 원(반경+5)·경계까지 레이 거리)/48, 드론은 (1 − 거리/55)·max(0, d̂·드론 방향)으로 계산해줘. 위험이 최소값+0.04를 넘는 슬롯을 마스크하고 남은 슬롯 중 관심 최대 방향을 이웃 관심으로 보간해 속도 62·(1 − 0.55·위험)으로 조향하며, 오른쪽에 관심(초록)·위험(빨강)·마스크(회색)·선택 방향(흰 화살표) 극좌표 차트를 그리는 10초 루프로 만들어줘.

라이브 데모 열기 — 컨텍스트 스티어링 (관심 · 위험 맵)

AI LOD · 타임 슬라이싱 업데이트

AI level of detail: distance-based tick rates, simplified behaviour & time-sliced budget

  • Canvas
  • Unity
  • Unreal Engine

플레이어와 먼 NPC일수록 AI 틱 빈도를 낮추고 행동을 단순화하며, 에이전트마다 틱 위상을 엇갈려 프레임당 AI 비용을 예산 아래로 고르게 분산하는 AI LOD 기법으로 수백 명의 군중·오픈월드 NPC에 쓴다.

프롬프트

Canvas 2D로 NPC 60명을 플레이어 거리 46/88/136px 기준 LOD0(60Hz 전체 행동 + 분리)·LOD1(15Hz)·LOD2(4Hz 직선 이동)·LOD3(1Hz, 틱 때만 위치 순간 갱신)로 나누고, (프레임 + i×7) % 주기 == 0일 때만 틱해 위상을 분산해줘. 틱마다 퍼지는 펄스 링, LOD가 바뀔 때 흰 사각 표시, 거리 링 라벨을 그리고, 틱 비용 0.05/0.03/0.015/0.008ms를 합산한 프레임당 비용 그래프를 'LOD 없음 3.0ms' 기준선·예산 1ms 선과 비교하는 9초 루프로 만들어줘.

라이브 데모 열기 — AI LOD · 타임 슬라이싱 업데이트

물고기 떼 경보 파동 (회피 정보 전파)

Fish school escape waves: alarm propagation faster than the predator

  • Canvas
  • Unity
  • Three.js

포식자를 직접 본 몇 마리만 놀라도 이웃의 회피 반응을 보고 짧은 지연 후 따라 놀라는 연쇄로 경보가 포식자보다 빠르게 떼 전체에 퍼지는 회피 파동(Trafalgar 효과)을 보여 주는 군집 반응 기법이다.

프롬프트

Canvas 2D로 물고기 96마리를 12×8 지터 격자 대형으로 두고 1.2초·5.4초에 포식자가 95px/s로 가로지르게 해, 반경 26 안 물고기는 포식자 반대로 130px/s 회피 속도를 얻고, 놀란 지 60ms~0.9초인 이웃이 반경 15 안에 있으면 그 회피 벡터 평균 방향(115px/s)으로 따라 놀라게 해줘(재경보 쿨다운 2.4초, 회피 속도 e^(−1.3t) 감쇠, 대형 복귀 스프링). 놀란 순간 흰 섬광 → 직접 감지 빨강/전파 주황 → 원래 색으로 1.4초 페이드하고, 경보 파면 원과 전파 마리 수·소요 시간·파동 속도(px/s)를 표시하는 9.5초 루프로 만들어줘.

라이브 데모 열기 — 물고기 떼 경보 파동 (회피 정보 전파)

협력 경로 탐색 (WHCA* 시공간 예약표)

Cooperative pathfinding with WHCA* (windowed space-time reservation table)

  • Canvas
  • Unity
  • Unreal Engine

여러 유닛이 좁은 통로를 오갈 때 앞 순위 유닛이 (칸, 시간)과 이동 간선을 예약표에 적고 뒤 순위 유닛은 그 예약을 피해 대기·우회하는 시공간 A*를 창 단위로 반복해, 독립 A*의 겹침·맞교환 충돌을 없애는 다중 에이전트 길찾기 기법이다.

프롬프트

Canvas 2D로 16×9 격자에 2칸 두께 벽과 1칸 통로 2개를 두고 에이전트 6명이 서로 반대편 목표로 가게 한 뒤, 먼저 독립 A* 경로를 점선으로 그려 같은 칸·맞교환 충돌 칸을 빨간 X로 보여줘. 그다음 WHCA*로 우선순위 순서대로 (칸, t) 상태에서 대기를 포함한 5방향 A*(휴리스틱 = 목표까지 BFS 거리, 목표에서 대기 비용 0)를 창 W=8스텝만큼 풀고, 예약표에 (칸, t)와 반대 방향 간선(맞교환 금지)을 기록해 K=4스텝마다 재계획해줘. 각자 앞으로 8스텝 예약 칸을 시간이 멀수록 작고 흐린 사각형으로, 대기 유닛은 WAIT 펄스로 표시하고 대기 횟수·충돌 0을 HUD로 보여 주는 0.3초/스텝 루프로 만들어줘.

라이브 데모 열기 — 협력 경로 탐색 (WHCA* 시공간 예약표)

가시성 그래프 길찾기 (꼭짓점 LOS 간선)

Visibility graph pathfinding over inflated obstacle vertices

  • Canvas
  • JavaScript
  • Godot

다각형 장애물의 꼭짓점을 에이전트 반경만큼 부풀려 노드로 삼고 서로 보이는 노드끼리만 간선으로 이어 최단 경로를 찾는 가시성 그래프 기법으로, 격자 없이 장애물이 적은 넓은 맵에서 꺾임이 최소인 진짜 최단 경로가 필요할 때 쓴다.

프롬프트

Canvas 2D로 볼록 다각형 장애물 6개의 꼭짓점을 무게중심 반대 방향으로 7px 부풀린 노드와 시작·목표 노드를 만들고, 두 노드 사이 선분이 어떤 다각형 변과도 교차하지 않고 1/4·1/2·3/4 지점이 내부에 없을 때만 LOS 간선으로 연결해줘. 간선을 시작점에서 가까운 순서로 2.2초간 그려 넣고, Dijkstra 확장을 최단 트리(하늘색)와 현재 노드 g값 라벨로 2초간 보여 준 뒤 금색 최단 경로를 0.8초에 그리고 에이전트가 2.6초간 따라가게 해줘. 루프마다 목표를 위·아래로 바꾸고 HUD에 간선 수·확장 수·경로 길이·꺾임 수를 표시하는 9.4초 루프로 만들어줘.

라이브 데모 열기 — 가시성 그래프 길찾기 (꼭짓점 LOS 간선)

N-그램 플레이어 패턴 예측 (격투 AI)

N-gram prediction of player move patterns for fighting-game AI

  • Canvas
  • Unity
  • C#

플레이어가 직전에 낸 두 수를 문맥으로 다음 수의 빈도를 세어 가장 잦은 수를 예측하고 미리 막는 N-그램 예측기로, 버릇이 있는 플레이어를 읽어 내는 격투·가위바위보형 상대 AI와 학습형 보스에 쓴다.

프롬프트

Canvas 2D로 플레이어가 상단·하단·잡기 3종을 습관 패턴(상·상·하·잡·하·상·잡 반복, 8% 무작위)으로 0.3초마다 내면, AI는 직전 2수 문맥(9가지)별 다음 수 횟수표 count[a][b][다음]을 누적해 argmax로 예측하고 상단 가드·앉아 가드·점프로 미리 대응하게 해줘. 맞으면 초록 '막음', 틀리면 빨강 '피격' 스파크를 띄우고, 오른쪽 패널에 현재 문맥의 다음 수 확률 막대와 2-그램 누적 적중률 vs 최빈값 기준선(33% 점선) 그래프를, 아래에 최근 12수 테이프(작은 글씨 예측 / 큰 글씨 실제)를 보여 주는 28라운드 9.8초 루프로 만들어줘.

라이브 데모 열기 — N-그램 플레이어 패턴 예측 (격투 AI)

퍼지 논리 컨트롤러 (멤버십 → 규칙 → 무게중심)

Fuzzy logic controller (Mamdani min–max inference, centroid defuzzification)

  • Canvas
  • Unity
  • Unreal Engine

거리·체력 같은 입력을 '가깝다·중간·멀다' 소속도로 바꾸고 규칙표를 min으로 발화해 출력 집합을 max로 합친 뒤 무게중심으로 하나의 공격성 값을 뽑는 맘다니 퍼지 추론으로, if-else 임계값의 뚝뚝 끊기는 행동 전환을 부드럽게 만들 때 쓴다.

프롬프트

Canvas 2D로 입력 거리(0–200: 근 사다리꼴 0/0/30/80, 중 삼각 40/95/150, 원 110/160/200/200)와 HP(0–100: 낮 0/0/20/45, 보 25/50/75, 높 55/80/100/100)를 퍼지화하고, 3×3 규칙표(근: 도주·견제·돌격 / 중: 도주·견제·돌격 / 원: 견제·견제·돌격)의 발화 강도를 min으로 계산해줘. 출력 공격성(도주 0/0/15/40, 견제 25/50/75, 돌격 60/85/100/100)을 규칙별로 잘라 max로 합친 뒤 49개 샘플 무게중심으로 비퍼지화하고, 멤버십 그래프의 현재값 점·규칙 칸 강도 채움·합성 출력 면적과 무게중심 화살표를 그려줘. 아래에 최근 6초 동안의 퍼지 출력(연속 곡선)과 if-else 임계값 결과(계단)를 겹쳐 비교하는 10초 루프로 만들어줘.

라이브 데모 열기 — 퍼지 논리 컨트롤러 (멤버십 → 규칙 → 무게중심)

RTS 지형 분석 (지역 분할 · 초크포인트)

RTS terrain analysis: distance transform, watershed regions & chokepoint detection

  • Canvas
  • C++
  • Unity

벽까지의 거리 변환 위에서 넓은 곳부터 물을 채우듯 지역을 키우고 두 지역이 만나는 좁은 목을 초크포인트로 뽑아, RTS AI가 확장 기지 후보·방어선·병력 집결지를 판단하게 하는 BWTA식 지형 분석 기법이다.

프롬프트

Canvas 2D로 48×26 동굴 맵에서 벽까지의 8방향 챔퍼 거리 변환(1, √2)을 구해 2초간 등치선 웨이브로 보여 주고, 열린 칸을 거리 내림차순으로 범람시키는 워터셰드로 지역을 키우되 두 지역이 만나는 칸에서 min(두 봉우리) − 현재 거리 ≥ 1.8이면 초크포인트로 기록(지역 쌍마다 가장 넓은 1개)하고 아니면 낮은 봉우리를 높은 쪽에 유니온 파인드로 병합해줘. 중심축(거리 국소 최대) 점, 지역별 색, 봉우리 위치의 R1~R5 기지 후보, 가장 가까운 벽 방향으로 그은 초크포인트 폭 막대와 '폭 2d' 라벨을 차례로 띄우는 10초 루프로 만들어줘.

라이브 데모 열기 — RTS 지형 분석 (지역 분할 · 초크포인트)

프런티어 기반 자율 탐사

Frontier-based exploration of an unknown map (frontier clusters + BFS cost)

  • Canvas
  • Godot
  • Unity

아는 빈칸과 모르는 칸의 경계(프런티어)를 군집으로 묶고 가까우면서 큰 군집부터 찾아가 시야를 넓히는 자율 탐사 알고리즘으로, 정찰 유닛·자동 탐험 버튼·동료 NPC의 맵 탐색이나 미지 던전을 도는 봇에 쓴다.

프롬프트

Canvas 2D로 30×17 미지 맵에서 로봇이 반경 6칸 LOS 센서로 본 칸만 아는 칸으로 바꾸고, 아는 빈칸 중 4방향 이웃에 모르는 칸이 있는 칸을 프런티어로 뽑아 8연결 군집으로 묶어줘. 아는 칸만 지나는 BFS 거리로 군집 비용 = 최단 거리 − 0.35×min(크기, 14)를 계산해 가장 싼 군집의 가장 가까운 칸으로 15칸/초 이동하고, 도착하거나 목표가 더 이상 프런티어가 아니면 재계획, 프런티어가 하나도 없으면 탐사 완료로 멈추게 해줘. 미탐사 칸은 안개, 프런티어는 노란 칸과 군집 크기 숫자, 지나온 길은 반투명 선으로 그리고 탐사율·군집 수·재계획 수를 표시하는 10초 루프로 만들어줘.

라이브 데모 열기 — 프런티어 기반 자율 탐사

타임 슬라이스 길찾기 (요청 큐 · 프레임 예산)

Time-sliced pathfinding: request queue with a per-frame node budget

  • Canvas
  • Unity
  • Unreal Engine

여러 유닛의 경로 요청을 큐에 쌓고 프레임마다 정해진 노드 확장 수만큼만 A*를 이어서 돌려, 한꺼번에 이동 명령을 내려도 프레임 스파이크 없이 몇 프레임에 걸쳐 경로를 나눠 받는 길찾기 서비스 구조다.

프롬프트

Canvas 2D로 30×14 맵의 유닛 10명에게 동시에 이동 명령을 내리면 경로 요청을 FIFO 큐에 넣고, 길찾기 서비스가 프레임(0.08초로 늘려 표시)마다 A* 노드 확장 48개 예산만 쓰며 남은 탐색을 다음 프레임에 이어서 처리하게 해줘. 처리 중인 요청의 닫힌·열린 집합은 노랗게, 대기 유닛은 회색과 대기 순번, 경로를 받은 유닛은 8칸/초로 출발하게 하고, 아래 막대 그래프에 프레임별 요청색 누적 확장 수와 예산선, '동기 처리면 한 프레임에 총 N노드(예산의 몇 배)' 비교 문구를 보여 주는 9.6초 루프로 만들어줘.

라이브 데모 열기 — 타임 슬라이스 길찾기 (요청 큐 · 프레임 예산)

숨기 행동 (장애물 뒤 은신점)

Hide steering behavior: hiding spots behind obstacles relative to the hunter

  • Canvas
  • Unity
  • Godot

사냥꾼 반대편 장애물 뒤에 은신점을 계산하고 사냥꾼보다 먼저 닿을 수 있는 가장 가까운 곳으로 arrive하는 Reynolds의 숨기 조향으로, 겁먹은 NPC·도망치는 몬스터·숨바꼭질 AI에 쓴다.

프롬프트

Canvas 2D로 원형 장애물 6개가 있는 방에서 사냥꾼이 리사주 목표를 74px/s로 쫓아다니면, 숨는 에이전트는 장애물마다 은신점 = 중심 + 정규화(중심 − 사냥꾼)×(반지름 + 11)을 구해 내 거리 < 사냥꾼 거리×0.95인 지점 중 가장 가까운 곳으로 감속 반경 30의 arrive(최대 속도 90, 최대 힘 360)로 이동하고 유효 지점이 없으면 도주하게 해줘. 사냥꾼에서 각 원으로 그은 접선으로 시야 그림자를 칠하고, 유효 지점은 초록 마름모·무효 지점은 빨간 X, 노출되면 사냥꾼-에이전트 시선을 빨간 선과 '노출' 말풍선으로 표시하며 은신 시간 비율과 유효 지점 수를 HUD로 보여 주는 10초 루프로 만들어줘.

라이브 데모 열기 — 숨기 행동 (장애물 뒤 은신점)

투사체 회피 (최근접 시점 CPA 예측)

Projectile dodging via closest point of approach (time-to-CPA threat test)

  • Canvas
  • Unity
  • Unreal Engine

날아오는 탄마다 최근접 시점 t*와 최근접 거리 d*를 계산해 곧 맞을 탄만 위협으로 골라 탄 궤적의 수직 방향으로 비켜서는 회피 AI로, 탄막 슈팅의 적 기체·액션 게임의 민첩한 적·보스 패턴 테스트 봇에 쓴다.

프롬프트

Canvas 2D로 좌우 두 아레나에 같은 포탑 3개가 0.38초마다 118–138px/s 탄을 쏘고, 오른쪽 에이전트만 탄마다 t* = −(r·v)/(v·v)(r = 탄 − 나, v = 탄 속도 − 내 속도)와 d* = |r + v·t*|를 구해 0 < t* ≤ 0.9초이고 d* < 17px인 탄을 위협으로 판정하게 해줘. 위협마다 탄 진행 방향의 수직 중 최근접 지점 반대쪽(벽에 막히면 반대편)에 가중치 min(1, 1.6·(1 − t*/0.9))·(17 − d*)/17 + 0.35를 더해 최대 200px/s로 회피하고, 위협이 없으면 순찰로 돌아가게 해줘. 위협 탄의 CPA 지점 링·t* 라벨·안전 반경을 그리고 왼쪽 회피 OFF 쪽과 피격 수를 비교하는 10초 루프로 만들어줘.

라이브 데모 열기 — 투사체 회피 (최근접 시점 CPA 예측)

개미 페로몬 길 (스티그머지 · 증발)

Ant colony stigmergy: dual pheromone fields with evaporation

  • Canvas
  • JavaScript
  • Unity

개미가 탐색 중엔 집 페로몬을, 먹이를 든 귀환 중엔 먹이 페로몬을 남기고 센서 3개로 진한 쪽을 따라가며 페로몬이 증발하도록 해, 중앙 계획 없이 최단에 가까운 운반로가 생기고 고갈된 길은 사라지는 스티그머지 군집 AI다.

프롬프트

Canvas 2D로 80×50 격자에 집 페로몬·먹이 페로몬 두 장을 두고 개미 150마리가 앞쪽 ±0.6rad·거리 9px 센서 3개로 따라갈 페로몬을 샘플해 진한 쪽으로 0.28rad 회전 + ±0.25rad 무작위 방황하며 70px/s로 이동하게 해줘. 탐색 중엔 집 페로몬, 귀환 중엔 먹이 페로몬을 0.35·e^(−경과초/7)만큼 남기고 매 틱 ×0.988로 증발시키며(귀환 개미는 집 방향 0.2 보정), 먹이 22개짜리 가까운 공급원이 4초쯤 고갈되면 그 길이 증발해 먼 공급원(320개) 길만 남게 해줘. 페로몬은 파랑·주황 픽셀 버퍼로, 운반 개미는 초록 점으로 그리고 운반 횟수를 표시하는 10초 루프로 만들어줘.

라이브 데모 열기 — 개미 페로몬 길 (스티그머지 · 증발)

레이싱 라인 AI (곡률 속도 프로파일 · 순수 추종)

Racing line AI: minimum-curvature line, curvature speed profile & pure pursuit

  • Canvas
  • Unity
  • Unreal Engine

트랙 폭 안에서 곡률을 최소화한 레이싱 라인을 만들고 곡률로 코너 최고 속도를 구해 제동·가속 패스로 속도 프로파일을 채운 뒤, 순수 추종 조향으로 그 라인을 달리는 레이싱 게임 AI 드라이버의 기본 구조다.

프롬프트

Canvas 2D로 300점 폐곡선 트랙(반폭 12.5)의 각 점을 이웃 중점 쪽으로 옮기되 횡오프셋을 ±9px로 제한하는 반복 600회로 최소 곡률 레이싱 라인을 만들고, 세 점 외접원 곡률 κ로 v_max = min(175, √(520/κ))를 구한 뒤 감속 380·가속 150px/s²의 역방향·순방향 패스로 속도 프로파일을 만들어줘. 차는 목표 속도를 추종하며 전방 주시 거리 Ld = 14 + 0.12v의 순수 추종(κ = 2·sin α / Ld)으로 조향하고, 중앙선을 같은 방식으로 달리는 회색 고스트와 비교해줘. 라인을 속도색(빨강 저속 → 초록 고속)과 제동 구간 띠로 칠하고 v·κ·√(a/κ)·가속/제동 상태와 두 라인의 프로파일 랩타임을 표시하는 10초 루프로 만들어줘.

라이브 데모 열기 — 레이싱 라인 AI (곡률 속도 프로파일 · 순수 추종)

원거리 적 거리 유지 (카이팅 · 사거리 밴드)

Ranged enemy kiting: preferred range band with retreat, strafe & wall-aware direction scoring

  • Canvas
  • Unity
  • Godot

원거리 적이 최소·선호·최대 사거리 밴드를 기준으로 후퇴·접근·견제 상태를 고르고, 16방향 후보를 벽 여유까지 넣어 점수화해 구석에 몰리지 않으며 옆걸음으로 거리를 지키고 사격하는 카이팅 AI다.

프롬프트

Canvas 2D로 원거리 적이 플레이어와의 거리를 최소 55·선호 80·최대 105px 밴드로 유지하도록 거리 < 55면 후퇴(92px/s), > 105면 접근(66), 밴드 안이면 견제(68)로 상태를 정하고, 16방향 후보마다 점수(후퇴: 멀어지는 성분 + 1.2×벽 여유 + 0.45×중앙 방향 − 벽 24px 미만 감점, 견제: 0.55×옆걸음 + (80 − d)/20 비례 반경 성분 + 0.6×벽 여유)를 매겨 최고 방향으로 움직이게 해줘. 옆걸음 앞 22px에 벽이 있으면 좌우를 바꾸고(0.8초 쿨다운), 밴드 안에서 LOS가 있으면 0.55초마다 170px/s 리드 사격을 하며, 플레이어는 46px/s로 쫓다가 3.2초마다 경고 링 뒤 150px/s 대시하게 해줘. 거리 밴드 고리·선택 방향 화살표·상태 말풍선·거리 히스토리 차트와 밴드 유지율을 표시하는 10초 루프로 만들어줘.

라이브 데모 열기 — 원거리 적 거리 유지 (카이팅 · 사거리 밴드)