駕駛員預測實驗結果

我們把每個玩家的所有賽車軌跡資料，依據賽道區段切成片段，並且用 3。

7 節的方法分別預測這些片段的駕駛員，我們分別使用了三種不同變數的統計模 型做預測，position 為賽車通過 checkpoint 位置，speed 為賽車速度，angle 為和賽道中心線夾角，表 4-5 ~ 4-7 為統計 6 個玩家資料來源分配到 6 個駕駛預 測的結果，左上-右下對角線的值代表預測正確。

表 4-5 Position 變數的駕駛員預測結果

預測 1 預測 2 預測 3 預測 4 預測 5 預測 6

來源 1 1133 42 405 75 324 181

來源 2 980 52 501 150 288 189

來源 3 932 46 533 159 315 175

來源 4 904 36 466 216 317 221

來源 5 983 27 401 151 388 210

來源 6 900 45 573 159 271 212

表 4-6 speed 變數的駕駛員預測結果

預測 1 預測 2 預測 3 預測 4 預測 5 預測 6

來源 1 476 238 106 586 419 335

來源 2 436 268 124 593 387 352

來源 3 385 189 194 714 386 292

來源 4 420 187 138 728 384 303

來源 5 349 143 76 826 512 254

來源 6 489 198 178 428 393 474

表 4-7 angle 變數的駕駛員預測結果

預測 1 預測 2 預測 3 預測 4 預測 5 預測 6

來源 1 596 188 424 321 304 327

來源 2 588 215 404 360 258 335

來源 3 504 196 527 355 268 310

來源 4 482 183 408 447 301 339

來源 5 553 165 416 359 346 321

來源 6 513 182 471 371 269 354

在結果表格中，每一橫排代表一個玩家整組資料的預測結果，可以看出來對 每個玩家的偵測成功率並不高。在這些結果表格中，左上到右下對角線上的值代 表資料來源和預測結果是同一人，表示預測正確的狀況。把對角線上的值相加，

再除以總預測數，就可以得到預測正確率。實驗中三種變數的預測成功率分別是 Position 19.55%、speed 20.46%、angle 19.17%，結果都比隨機猜測的值 1/6 = 16.67%好。這個結果表示這個偵測方法還是帶有某些效果，並不是完全無效或隨

我們用一種簡單的方法把 position、speed、angle 三種變數合併起來做駕 駛員的預測，先分別使用三種變數做預測，在每個變數項目下排出和駕駛員相似 度的排名，最後再把三個項目的排名相加，得到的排名總合最低者就判定為駕駛 員，表 4-8 為混合變數的預測結果。混和三種變數後的預測成功率為 22.13%，

效果比三種變數個別使用的駕駛員預測更加準確。

第五章 結論與未來展望

在這篇論文中，我們研究在 TORCS 賽車遊戲平台上，每個不同玩家之間行 為的差異，並且用 checkpoint 取樣的差異度計算每個玩家之間的誤差，證明每個 玩家確實有自己特殊的玩家個性。之後我們使用一種三階段模型對賽道做分解，

讓不同的賽道區段可以互相做比較，最後我們製作出一種代表玩家個性的統計模 型，並且用這個模型預測駕駛員的方式，結果說明這個模型記錄了部分的玩家特 色，但是仍然不足以明確的辨別出各個玩家。因為代表玩家特色的統計模型裡，

可以代入不同的變數，但是這篇論文只簡單的實驗了數個代表性的變數，如位置 和速度等，未來我們可以利用這個模型，用其他的變數比較玩家差異度，並且研 究各種參數組合的方法，達到更精確的玩家分辨效果。

參考文獻

[1] Daniele Loiacono, Luigi Cardamone, Pier Luca Lanzi, “Simulated

Car Racing Championship 2010: Competition Software Manual", Technical Report 2010.8,Dipartimento di Elettronica e Informazione, Politecnico di Milano, Italy, 2010.

[2] Enrique Onieva, David A. Pelta, Vicente Milanés, Joshue Pérez, "A fuzzy-rule-based driving architecture for non-player characters in a car racing game" Soft Computing - A Fusion of Foundations, Methodologies and Applications Volume 15, Number 8, pp.

1617-1629, 2011.

[3] Diego Perez, Gustavo, Yago Saez,"Evolving a Fuzzy Controller for a Car Racing Competition" Computational Intelligence and Games, pp. 263 – 270, 2009.

[4] Luigi Cardamone, Daniele Loiacono, Pier Luca Lanzi, "Evolving Competitive Car Controllers for Racing Games with Neuroevolution" GECCO '09 Proceedings of the 11th Annual conference on Genetic and evolutionary computation, pp. 1179-1186, 2009.

[5] Luigi Cardamone, Daniele Loiacono and Pier Luca Lanzi, "Applying Cooperative Coevolution to Compete in the 2009 TORCS Endurance World Championship"

Evolutionary Computation (CEC), pp.1 – 8, 2010.

[6] Marc Ebner and Thorsten Tiede,"Evolving Driving Controllers using Genetic Programming" Computational Intelligence and Games, pp. 279 – 286, 2009.

[7] Daniele Loiacono, Alessandro Prete, Pier Luca Lanzi, Luigi Cardamone,"Learning to Overtake in TORCS Using Simple Reinforcement Learning" Evolutionary

Computation (CEC), pp. 1-8, 2010.

[8] Jan Quadflieg, Mike Preuss, Oliver Kramer, Gunter Rudolph,"Learning the Track and Planning Ahead in a Car Racing Controller" Computational Intelligence and Games (CIG), pp. 395 – 402, 2010.

[9] Jorge Munoz, German Gutierrez, Araceli Sanchis, “Controller for TORCS created by imitation” Computational Intelligence and Games, pp. 271 - 278 2009

[10] Jorge Munoz, German Gutierrez, Araceli Sanchis, “A human-like TORCS controller for the simulated car racing championship” Computational Intelligence and Games (CIG), 473 – 480, 2010.

[11] Luigi Cardamone, Daniele Loiacono and Pier Luca Lanzi, “Learning drivers for TORCS through imitation using supervised methods” Computational Intelligence and Games, pp. 148-155, 2009.