"2분반-시그모이드"의 두 판 사이의 차이

2024년 12월 19일 (목) 20:52 기준 최신판

프로젝트 개요

기술개발 과제

국문 : STT(Speech to Text) & SER(Speech Emotion Recognition)을 활용한 퍼즐 어드벤쳐 게임

영문 : A Puzzle Adventure Game With STT(Speech to Text) and SER(Speech Emotion Recognition)

과제 팀명

시그모이드

지도교수

김민호 교수님

개발기간

2024년 9월 ~ 2024년 12월 (총 4개월)

구성원 소개

서울시립대학교 컴퓨터과학부 20199200** 손*수(팀장)

서울시립대학교 컴퓨터과학부 20198900** 오*환

서울시립대학교 컴퓨터과학부 20199200** 이*훈

서울시립대학교 컴퓨터과학부 20189200** 임*석

서론

개발 과제의 개요

개발 과제 요약

◇ 음성 인식 및 감정 인식 모델 훈련 및 모델 배포

◇ 게임 내 음성 인식을 이용한 전투 시스템 구현

◇ 유니티 내 패키지들을 활용한 씬 구성 및 음성, 감정 인식을 이용한 캐릭터 기능 구현

◇ 절차적 생성 기능을 통한 인게임 맵의 유동적인 생성

◇ 절차적으로 생성된 맵에 맞는 퍼즐 시스템 구현

개발 과제의 배경

◇ AI와 게임의 결합이라는 관점에서 유저와 좀 더 상호작용을 할 수 있는 게임 개발 가능. 또한 단순 개발 보조나 편의 기능으로 게임에서 사용되던 AI기술이 아닌, 직접 기믹에 사용되고 유저와 소통할 수 있는 AI 기술을 활용한다는 점에서 머리 속으로 생각만 했던 여러 기믹들을 실현할 수 있는 기회. 거대 게임사에서 활용하고 채택하는 AI 기믹들을 학부생 때 접함으로서 최신 트랜드 기술과 개발 방향성을 직접 느낄 수 있음.

◇ 소규모 프로젝트의 특성 상 데이터 부족과 개발 환경 열악, 배포할 모델의 크기 문제 등, AI 개발자라면 현실에서 접할 수 있는 다양한 제한점 등을 극복하고 해결할 수 있는 경험을 접해볼 수 있음. 향후 모바일 기기의 높은 점유율, 음성 데이터 수집의 어려움 등의 실무적인 문제들을 효과적으로 극복할 수 있는 방향성을 제시.

◇ 유니티 내 시네머신과 Navigation 기술 등을 이용하여 유니티만의 개발 특색을 익히며 또한 게임 플레이를 관장하는 기저를 직접 개발하여 게임 시스템의 이해도를 높이고 그 흐름을 알아 볼 수 있음.

◇ 음성 인식 기술을 게임에 적용하기 위해 이를 활용한 각종 시스템을 구상했으며, 해당 기술이 게임에서 다양한 방면으로 활용될 수 있음을 보여줄 수 있다.

◇ 인게임에서 반복되지 않는 다양한 플레이 경험을 제공하고, 컨텐츠 제작 효율을 높인다. 이를 통해 플레이어의 몰입감을 높이고 게임 기획 과정을 단순화 할 수 있다.

개발 과제의 목표 및 내용

◇ 여러 논문들을 비교 분석하여 적절한 모델을 선정하고, 데이터 전처리, 모델 학습, 미세 조정 과정들을직 접 설계하고 실행. 그 후 게임 환경에서 실행 될 수 있는 모델 배포.

◇ 음성 인식 결과를 가져오고, 이를 활용하여 기획한 AI 협동 시스템, 다양한 퍼즐 등을 온전히 구현하여 게 임 진행을 다채롭고 매끄럽게 만드는 것을 목표로 함.

◇ 유니티 내 여러 기술들을 조화롭게 사용하여 원활한 게임 플레이가 이루어질 수 있도록 함. 이에 따라 적 절한 씬 구성과 오브젝트 간의 상호작용을 구현할 수 있도록 함.

◇ 효과적인 절차적 생성 알고리즘을 개발해 환경, 퍼즐, 아이템 등을 자동으로 생성함으로써 매번 새로운 플 레이 경험을 제공하고, 설정한 난이도에 따라 적절한 밸런스를 맞춰 안정적인 시스템을 만드는 것이 목표이다.

◇ 절차적 맵 생성 과정은 Cellular Automata → DT → MST → A* 으로 이루어진다. 먼저 Cellular Automata를 통해 절차적 생성 알고리즘으로 동굴 모양의 방들을 생성한다. 그 다음, Delaunay Triangulation으로 방들 사이의 삼각 분할된 경로를 생성한다. 최종적으로 MST를 찾고 남아있는 경로들을 직교 좌표계에 맞추기 위해 A* 알고리즘을 사용한다.

● 좌상단 그림: Cellular Automata 적용 전 랜덤하게 점을 고른 상태

● 우상단 그림: Cellular Automata의 5번째 generation까지 적용된 상태

● 좌하단 그림: Delaunay Triangulation을 적용한 상태

● 우하단 그림: MST를 찾고 나머지 엣지는 삭제한 상태

이론적 계산 및 시뮬레이션

◇ 퍼즐 시스템 유즈케이스 다이어그램

● Player는 퍼즐 방에 있는 두 가지 퍼즐을 해결해야 다음 방으로 이동할 수 있다.

● 퍼즐은 MazePuzzle과 AI Cooperate Puzzle로 나뉘며 각각 미로를 해결하거나 AI 조력자가 전해준힌트를 보고 정해진 순서대로 발판을 눌러서 퍼즐을 해결해야 다음 방으로 진행할 수 있다.

◇ 시스템의 전체 아키텍쳐 다이어그램

◇ AI system의 전반적인 아키텍처 다이어그램

● AI_training_system에서는 모델을 훈련시키고 가장 좋은 성능의 모델의 파라미터를 저장한다

● server_system에서는 모델을 돌리기 위한 서버 환경에 모델을 올리고 gpu를 활용해서 실험을 진행한다.

● ONNX_convert 에서는 훈련이 완료된 모델을 unity에서 사용하기 위해 변환을 진행한다.

● Inference는 onnx파일 기반으로 unity 내부에서 추론을 진행하고 사용자가 원하는 output을 출력한다.

상세설계 내용

가. 컴포넌트 다이어그램

◇ 맵 절차적 생성의 컴포넌트 다이어그램

● 이 컴포넌트도는 본 프로젝트에서 구현된 던전 생성 시스템의 주요 구성 요소와 이들 간의 상호작용을 시각적으로 나타낸다. 본 시스템은 Main, MapGenerator, DelaunayTriangulation, MinimumSpanningTree, MapDisplayer로 구성되며, 각 컴포넌트는 서로 명확히 구분된 역할을 수행한다.

● Main 컴포넌트는 전체 시스템의 시작점으로, 던전 생성을 초기화하고 다른 주요 컴포넌트들을 호출하여 작업을 수행한다. 우선 MapGenerator를 호출하여 던전의 기본 맵 데이터를 생성한다. 그 다음 MapGenerator는 던전의 구조를 정의하고, 각각의 방과 벽을 구성하는 알고리즘을 실행하여 던전의 기초를 형성한다. 이 과정에서 생성된 맵 데이터는 이후 작업을 위해 DelaunayTriangulation 컴포넌트로 전달되며, 이 단계에서 방의 중점 데이터를 활용하여 들로네 삼각분할을 수행한다. 들로네 삼각분할은 던전의 각 방을 연결하는 삼각형으로 이루어진 네트워크를 생성하며, 이를 통해 방 간의 연결 통로가 생성된다.

● 이후, MinimumSpanningTree 컴포넌트가 호출되어 들로네 삼각분할에서 생성된 삼각형 네트워크의 간선 데이터가 입력된다. MinimumSpanningTree는 최소 신장 트리(MST) 알고리즘을 활용하여 불필요한 간선을 제거하고 방 사이의 최단 경로를 효율적으로 계산한다. 이를 통해 던전 내에 고립된 방이 없는 구조가 완성된다.

● 최종적으로, MapDisplayer 컴포넌트는 생성된 맵과 MST 데이터를 화면에 시각적으로 렌더링한다.MapDisplayer는 방과 벽, 그리고 연결된 경로를 시각적으로 보여줌으로써 사용자에게 던전과 방을 직관적으로 표시한다. 이를 통해 사용자는 던전의 생성과정 및 결과를 확인할 수 있다.

나. 시퀀스 다이어그램

◇ 주문 발동 시스템의 시퀀스 다이어그램

● 플레이어에 부착된 AudioListener 컴포넌트를 통해 유저의 말을 인식한다.

● CheckSpell 함수를 통해 유저의 말을 인식하고, 미리 정의된 주문과 일치하는지를 확인한다.

● PrepareSkill 함수를 통해 정의된 주문에 맞는 스킬을 생성하고, 인식된 감정을 통해 상태효과 역시 적용한다.

● 마우스 좌클릭 시 UseSkill 함수가 발동되며 이를 통해 유저의 말을 통해 생성된 스킬을 사용한다.

● 스킬이 몬스터에게 적중하면 몬스터 내 GetHit 함수가 동작하여 몬스터에게 피해가 들어간다.

● 상태이상이 적용되는 감정이 스킬에 포함되어 있는 경우 감정에 따른 상태이상을 몬스터에게 적용한다.

스테이트 다이어그램

◇ 몬스터 행동 스테이트 다이어그램

● 몬스터는 최초 스폰 시 PATROL 상태이며, 미리 정의된 범위 내에서 자유롭게 움직일 수 있다.

● 플레이어와의 거리가 traceDist(float) 이상이면 TRACE 상태로, 그렇지 않으면 TRACE 상태에서 traceDist 이하면 PATROL상태로 돌아간다. TRACE 상태에서는 몬스터가 플레이어를 인식하고 플레이어를 향해 다가오게 된다.

● 플레이어와의 거리가 attackDist(float) 이상이면 ATTACK 상태로, 그렇지 않으면 ATTACK 상태에서 traceDist 이하면 TRACE상태로 돌아간다. ATTACK 상태에서는 몬스터가 플레이어를 향해 공격을 시작한다.

● PAUSED 상태는 적용되며 몬스터의 모든 상태에서 전이될 수도(UI mode일 때 ), 모든 상태로(First Person mode일 때) 전이할 수 있다. PAUSE 상태는 몬스터의 이동과 공격을 모두 멈춘다.

● DIE 상태는 몬스터의 모든 상태에서 전이가 가능하며 몬스터 사망 애니메이션을 재생시킨 후 몬스터 오브젝트를 Destroy하며 상태를 종료시킨다.

다. 클래스 다이어그램

◇ AI_system의 클래스 다이어그램

● 먼저 run class에서 실험을 진행하기 위한 전반적인 함수들을 실행하고 실험을 진행시킨다.

○ data_processing을 통해 dataset을 가져온다.

○ data_loader를 통해 가져온 dataset을 dataloader로 배치에 맞게 감싼다.

○ get_args를 통해 실험에 필요한 arguments들을 가져온다.

○ set_experiment_environment를 통해 실험에 필요한 gpu를 연결하고 DDP를 통해 4개의 gpu로 분산 계산을 설정한다. 또한 실험의 random seed를 설정하고, cuda 함수들을 이용하여 gpu 설정 값이 변하지 않도록 지정한다.

● data_processing의 LibriSpeech, AI_Hub의 경우 각 sr, ser 모델의 훈련에 필요한 데이터가 저장되어 있는 경로에 접근하여 데이터를 k-fold하여 train과 test로 나눈다. 그 후 레이블 지정을 하여 list로 저장한다.

● data_loader는 가져온 data set list를 getitem을 통해 가공, 전처리한다. 전처리를 통해 samplerate를 재 가공하고, frame별로 음성을 잘라서 반환한다. 이렇게 반환된 음성을 batch 사이즈만큼 넣고 loader로 감싸서 main에게 반환한다.

● arguments는 실험에 필요한 여러 변수 및 하이퍼 파라미터들을 편하게 시각화하고 유지보수와 여러 실험 진행에 용이하도록 하는 역할이다.

● set_experiment_environment는 서버에서 실행되는 실험이기에 gpu 설정을 하고, 다중 gpu를 사용할때 ddp를 통해 분산시키는 역할을 한다. 또한 실험의 seed를 설정하고, 같은 실험 설정에 다른 모델 결과가 나오지 않도록 쿠다로 gpu 파라미터를 고정시킨다.

● modeltrainer는 모델을 실제 훈련시키는 부분으로, run, train, evaluation, test_acc, save_best_model로 나뉜다.

○ run부분은 각 epoch마다 train과 evaluation을 호출한다.

○ train은 각 데이터loader를 불러와 모델에 넣고 loss.backward를 통해 손실함수를 계산, 최적화를 진행한다. 모델의 파라미터를 미세조정 및 훈련시키는 부분이다.

○ evaluation은 평가 단계로 test_acc와 save_best_model을 불러온다

○ test_acc는 모델의 파라미터를 고정시키고 test set의 input을 넣어 output을 뽑는다. 그 후 output을 정답 label과 비교하여 정답률을 구해 acc로 반환한다.

○ save_best_model은 반환된 acc를 통해 기존의 best_acc보다 높다면 그 epoch의 모델 파라미터를 저장하는 역할을 한다.

◇ 미로 생성 시스템의 클래스 다이어그램

● 기본적으로 MazeManager를 통해 미로 생성이 시작된다. ConvertToMap 클래스를 통해 절차적으로 생성된 방에 대한 데이터를 담은 Room 자료구조 리스트를 2차원 배열로 변환한 뒤, MazeManager에서 이를 토대로 MazeCell 자료구조 리스트를 생성한다. MazeGenerate 클래스로 MazeCell 리스트를 보내서 미로를 생성한다. 그 결과 미로의 정보를 담은 MazeCell 자료구조 리스트가 완성되고, MazeTileMapGenerate 클래스로 해당 미로 데이터를 보내서 유니티 씬에 미로를 생성한다.

● ConvertToMap 클래스는 Room 자료구조 리스트를 2차원 배열로 변환하는 함수를 가지고 있다. 그리고 2차원 배열을 로그 창에 출력해주는 함수를 갖고 있다.

● MazeManager 클래스는 절차적으로 생성된 방에 대한 데이터를 담은 Room 자료구조 리스트를 받아서 2차원 배열과 MazeCell 리스트로 변환해준 뒤, 미로를 생성하는 절차를 시작한다. InitializeMap() 함수에서 먼저 자료구조를 초기화하고 FindDoors() 함수에서 출입구 칸을 찾아 배열을 생성한다. 이후 ConvertToMap 클래스로 보내서 Room 리스트를 2차원 배열로 변환하고 MazeGenerate 클래스로 보내서 미로를 생성한 뒤, MazeTileMapGenerate 클래스로 보내서 미로를 게임 씬에 생성한다.

● MazeGenerate 클래스는 자료구조 상에서 미로를 생성한다. GenerateMaze() 함수는 DFS를 이용한 Recursive Backtracking 미로 생성 알고리즘을 사용해서 자료구조에 포함된 모든 칸들을 방문하면서 미로를 생성한다. ShuffleArray() 함수와 Swap() 함수는 배열의 순서를 섞고, 배열의 순서를 바꿔주는 helper 함수들이다. returnOppositeDirection() 함수는 특정 방향을 넣으면 반대 방향을 출력해주는 helper 함수다.

● MazeTileMapGenerate 클래스는 게임 씬에 미로를 실제로 생성한다. Awake() 함수는 변수를 초기화하는 함수다. GenerateMap() 함수에서 미로를 게임 씬에 생성하게 된다. 이 때,ChoosePrefabForCell() 함수를 통해 특정 칸에 어떤 프리팹을 생성할 지, 어떤 방향으로 회전해야 하는지 정한다. returnOppositeDirection() 함수는 MazeGenerate 클래스의 함수와 동일한 역할을 한다.

● MazeCell 클래스는 각 칸마다 미로를 생성할 때 필요한 정보들을 담은 자료구조다. 어떤 방향으로 통로가 존재하는지 여부, 벽이 아예 없는지 여부, 칸의 타입이 무엇인지, 유니티 게임 상에서 어떤 좌표에 위치해 있는지 등에 대한 변수들이 있다. setPathFlagTrue() 함수는 특정 방향에 통로가 존재한다고 저장하는 함수다. getPathFlag() 함수는 특정 방향에 통로가 존재하는지 bool값을 반환하는 함수다. getRandomFlagIndex() 함수는 벽이 존재하는 방향 중 무작위로 한 방향을 선택해서 반환하는 함수다.

◇ 절차적 맵 생성의 클래스 다이어그램

● 본 시스템은 Main, MapGenerator, MapDisplayer, DelaunayTriangulation, MinimumSpanningTree와 같은 주요 구성 요소로 이루어지며, Data Structures 패키지 내부에 세부적인 자료 구조를 정의하는 클래스들이 정의되어 있다.

● Main 클래스는 전체 시스템의 진입점 역할을 하며, 다른 주요 클래스들을 제어하고 호출한다. 이 클래스는 사용자 입력을 처리하여 맵 생성, 렌더링, 들로네 삼각분할, 최소 신장 트리 계산 등을 단계적으로 수행한다. Main 클래스는 MapGenerator를 통해 초기 맵 데이터를 생성하며, MapDisplayer를 활용하여 생성된 맵의 정보를 화면에 출력한다. 던전의 방 연결 및 최적화된 경로 계산을 위해 DelaunayTriangulation과 MinimumSpanningTree를 호출하여 삼각분할 및 최단 경로 알고리즘을 실행한다.

● MapGenerator 클래스는 던전의 구조를 정의하고, 세포 자동자(Cellular Automata) 알고리즘을 기반으로 맵을 절차적으로 생성한다. 이 클래스는 맵에 방과 벽을 배치하며, BFS 알고리즘을 활용하여 각 방의 고유 식별 번호와 정보를 할당한다. 생성된 맵은 Map 클래스의 2차원 배열로 저장되며, 각각의 셀은 Cell 또는 RoomCell 객체로 구성된다.

● MapDisplayer 클래스는 맵을 화면에 시각적으로 표시하는 역할을 담당한다. 맵 데이터와 방 정보를 받아 각 셀을 렌더링하며, 색상과 텍스트를 통해 방의 중심, 크기, 벽 등을 명확히 구분하여 시각적 이해를 돕는다. 이를 통해 사용자에게 실감나는 던전을 직관적으로 표현한다.

● DelaunayTriangulation 클래스는 방의 중점(RoomCenter)을 기준으로 들로네 삼각분할 알고리즘을 수행한다. 방들 사이의 연결을 나타내는 삼각형과 간선이 생성되며, 이를 통해 최소 신장 트리를 계산하기 위한 기초를 마련한다. 주요 자료 구조로 Vertex, Edge, Triangle 객체를 사용한다.

● MinimumSpanningTree 클래스는 들로네 삼각분할로 생성된 간선 데이터를 기반으로 최소 신장 트리(MST)를 생성한다. 이 클래스는 Prim의 알고리즘을 사용하여 방들 간의 최적 경로를 계산하고, 결과적으로 고립된 방이 없는 구조의 맵을 생성한다.

● Data Structures 패키지에는 시스템의 핵심 자료 구조를 정의하는 다양한 클래스들이 존재한다. Cell 클래스는 맵의 기본 단위를 나타내며, RoomCell은 이를 확장하여 방의 세부 정보 또한 담고 있다. Room 클래스는 방의 속성과 정보를 관리하며, 방의 중심 좌표와 크기를 계산한다. Vertex,Edge, Triangle 클래스는 들로네 삼각분할과 최소 신장 트리 계산에서 사용되는 핵심 자료 구조이다. Circle 클래스는 삼각형의 외접원을 계산하는 데 사용되며, 삼각형 내에 외부의 점이 포함되는지를 판단한다.

결과 및 평가

완료 작품의 소개

프로토타입 사진 혹은 작동 장면

가. 프로토타입 작동장면

나. 설치

◇ 압축파일을 풀면 위와 같은 구성을 확인할 수 있다.

◇ Capstone.exe를 실행시키면 게임이 실행된다.

◇ Output : 빌드 시 자동으로 생성되는 파일들이며 각 파일들은 아래와 같다.

- Capstone_BurstDebugInformation_DoNotShip : 개발 및 디버깅 단계에서 필요한 폴더이며, 실행 시에는 필요하지 않음.

- Capstone_Data : 게임 및 애플리케이션의 주요 데이터 파일들이 저장된 폴더이며 씬 데이터, 텍스처, 모델, 스크립트 번들, 설정 파일, 리소스 등 Unity 프로젝트의 실행에 필요한 모든 리소스를 담고 있음.

- MonoBleedingEdge : Unity의 Mono 런타임 환경을 제공함. Mono는 C# 코드 실행을 위해 필요한 런타임이며, 최신 버전의 Mono 라이브러리와 함께 제공됨.

- Capstone.exe : 실행파일

- UnityCrashHandler64.exe 게임이 실행 중 충돌하거나 오류가 발생했을 때 이를 감지하고 로그를 생성하는 Unity의 크래시 핸들러.

- UnityPlayer.dll : Unity의 런타임 라이브러리로, 게임의 실행을 위한 렌더링, 입력 처리, 물리 엔진 등의 내용이 담겨있음

다. 실행

1. 최초 입장 시 스폰 방(0번 방)에서 플레이어가 스폰된다. WASD로 이동을, 스페이스바로 점프를 할 수 있다. 최적화를 위해 현재 방과, 연결된 다음 방만 렌더링을 하고 이동을 하면서 점진적으로 렌더링을 하는 방식을 채택했다.

2. 방 내의 통로에서 다른 방으로 이동할 수 있다. 통로는 벽에 횃불이 설치되어 있어 횃불이 설치된 벽을 따라가면 다음 방으로 들어갈 수 있다.

3. 통로를 따라 이동하면 미로 방(퍼즐 방) 혹은 전투 방 중 하나의 기믹을 해결해야한다. 위 사진은 미로 방으로서 미로를 탈출하여 다음 방으로 이동할 수 있다.

4. 위 사진은 전투 방으로서, 입장 시 제한 시간이 활성화 되고 통로가 막히게 된다. 제한 시간 내에 일정한 수의 몬스터를 퇴치해야한다. 미션을 성공하면 막힌 통로가 다시 열리게 되어 다음 방으로 이동할 수 있다.

5. 마우스 좌클릭으로 기본공격을 할 수 있다. 또한 좌측 Ctrl키를 누른 채로 말을 하면 주문을 인식할 수 있으며 만약 올바른 주문이 인식될 경우 스킬이 활성화되어 스킬을 사용할 수 있다. 또한, 말에서 인식한 감정에 따라 몬스터에게, 혹은 플레이어에게 상태효과가 추가로 적용된다.

6. 제한 시간 내에 모든 몬스터를 퇴치하면 위에서 언급했듯이 통로가 열리게 되어 다음 방으로 이동할 수 있다. 하지만 제한 시간 내에 미션을 성공하지 못하면 플레이어에게 불꽃이 활성화되어 몇 초 뒤에 죽게 된다. 재시작 버튼을 누르면 처음부터 다시 시작할 수 있다.

완료작품의 평가

향후계획

가. 어려웠던 내용들

◇ 음성인식 구현에서 가장 어려웠던 점은 ONNX파일로 변환하고 이를 Unity에 적용하는 점이었다. 우선 유니티 AI 모델 추론 기능이 나온지 약 1년 정도 밖에 지나지 않았으며, 당연히 관련 문서는 거의 존재하지 않았다. ONNX 추출 과정에서 함수가 손상되고, Unity에서 인식을 못하는 등 문제점이 많았다. 이를 해결하기 위해 모델 레이어 단위로 output tensor 차원을 출력하여 저장하고, 하나하나 계산하면서 깨진 차원을 찾아낸 후, 그 부분을 제거하거나 고쳤다. 그 결과 unity에서 성공적으로 적용할 수 있었다.

● 또한 두 번째 문제는 너무 큰 모델 입력으로 인한 Unity 내부 할당 쓰레드 초과 문제였다. 우선적으로 모델의 추론은 약간의 시간이 소요되기 때문에 게임의 흐름을 끊지 않기 위해 비동기적으로 진행하게 하였다. 비동기 방식이 실시간 게임에선 필수적이지만 이런 병렬 프로세스 작업은 쓰레드를 많이 차지하게 되고 결국 할당 쓰레드 초과 문제에 직면하게 하였다. 먼저 쓰레드 할당 현황을 로그로 뽑아 확인 후, 모델의 오디오 입력이 5초를 초과하게 되면 이런 문제가 발생한다는 것을 파악했다.

● 문제 파악 후 이를 해결하기 위해선 1가지 필수 조건이 있다는 것을 파악하였다.

○ 음성 인식 모델

■ 입력을 5초로 제한하게 되면 그 이후에 녹음되는 음성은 인식하지 못하는 문제가 발생한다. 때문에 오디오 길이는 그대로 유지하면서 문제를 해결하는 것이 필수적이다. 이를 해결하기 위해 모델 컷팅을 진행했다. 음성 인식 모델의 경우 쓸모 없는 모델 파라미터를 제거하였고 레이어를 제거하여여 모델의 크기를 줄였다.

○ 감정 인식 모델

■ 감정 인식 모델의 경우 발화자의 감정만 파악하면 되기 때문에 30초의 오디오가 모두 필요하지 않다. 따라서 모델의 크기를 그대로 유지한 채, 오디오의 입력을 30초에서 랜덤으로 5초를 추출하도록 설정하여 쓰레드 부족 문제를 해결하였다.

◇ 절차적으로 생성된 맵에 맞춰 무작위로 생성되는 퍼즐을 기획해야 했다. 두 가지 퍼즐을 기획했는데, 하나는 미로 퍼즐이고 다른 하나는 AI 조력자 협동 퍼즐이다. 미로의 경우 무작위 생성 알고리즘이 존재했기에 이를 이용했는데, 미로가 생성될 맵의 모양이 직사각형이 아닌 다각형의 모양이여서 자칫하면 미로가 생성되지 않는 상황이 발생할 수 있었다. 그래서 미로의 벽과 통로의 생성 방법에 대해 많은 고민을 해야 했다. AI 조력자 협동 퍼즐의 경우 무작위 위치에 특정 색을 지닌 발판 버튼들이 배치되어 있으며 AI 조력자가 알려준 힌트를 보고 버튼들을 색깔 순서에 맞게 눌러야 다음 방으로 가는 문이 열리는 방식이었다. 절차적 생성 알고리즘이 완성되기 전에 베이스 코드를 만들었지만, 코드를 합치고 순서에 맞게 눌러야 하는 기능을 추가하기 시 작하면서 각종 버그가 발생해서 시간이 지연되었다. 따라서 미로 생성 알고리즘의 완성을 우선시하였고 최종적으로 AI 조력자 협동 퍼즐을 완성하지 못했다.

◇ 음성, 감정 인식과 플레이어의 기능을 연결하는 것이 어려웠었다. 텍스트로 만든 더미 데이터로 테스트를 진행했을 때는 동작이 잘 되었지만, 음성, 감정의 리턴값을 활용하여 코드를 수정하니 많은 버그가 발생하였다. 이 버그들을 해결하는 데에 많은 시간이 소요됐었지만 최종적으로는 오류가 없는 원하는 결과를 이끌어 낼 수 있었다. 또한, 맵이 동적으로 생성되기 때문에 그에 따라 방에 맞게 navigation을 구축하는 것이 어려웠었다. 이 부분은 하나의 방 내의 navigation 시스템 전체를 관장하는 빈 오브젝트를 만들어 그 오브젝트 하위에 방 내에 있는 모든 navigation 관련 컴포넌트를 추가하여 한 번에 관리하는 방식으로 해결하였다. 이 과정에서 방에 진입했을 때 해당 방의 정보를 수집하고 이를 활용해 전투 시스템 등을 개선할 수 있는 기능들을 구현할 방안을 도출할 수 있었다.

◇ 절차적 맵 생성 시 렌더링 과부하 문제 절차적 맵 생성을 구현하는 과정에서 가장 큰 어려움 중 하나는 셀의 수가 과도하게 많아져 렌더링 성능에 과부하가 걸린 점이었다. 초기에는 모든 셀을 한 번에 렌더링하도록 설계하였으나, 방의 수가 증가할수록 유니티 엔진에서 처리해야 하는 오브젝트의 수가 급격히 늘어나 게임의 프레임 속도가 저하되는 현상이 발생하였다. 이는 플레이어의 몰입감을 저해하고, 실시간 게임 플레이에 불리한 영향을 미쳤다. 이를 해결하기 위해 인접 리스트(adjacency list) 를 도입하여 렌더링 최적화를 시도하였다. 구체적으로, 현재 플레이어가 위치한 방과 그 주변에 인접한 방들만을 동적으로 렌더링하고, 그 외의 방들은 비활성화하는 방식으로 접근하였다. 이러한 방법을 통해 렌더링해야 하는 셀의 수를 현저히 줄일 수 있었으며, 게임의 전반적인 성능을 향상시킬 수 있었다. 또한, 인접 리스트를 활용함으로써 방 간의 연결성을 효율적으로 관리할 수 있었고, 플레이어의 이동에 따라 필요한 방만을 선택적으로 로드하여 메모리 사용량을 최적화할 수 있었다.

나. 차후 구현할 내용

◇ 다양한 분야의 도전: 이번 프로젝트에서는 ‘음성’이란 데이터만 다루는 모델을 설계하고 배포하였다. 하지만 AI는 음성 뿐만 아니라 Computer Vision, LLM 등 다양한 분야가 있다. 이런 타 분야의 논문을 읽고 직접 설계해보는 시간을 가진다면 배움의 시야가 한 층 넓어질 것이며, 향후 ‘음성 AI’ 연구를 진행할 때 타 분야의 기술들을 이용하여 설계할 수 있는 기회도 접해 볼 수 있을 것 같다.

● 추가 모델 적용

○ 한 학기라는 시간 제한으로 인해 모델 2개 훈련 후 배포로 목표를 잡았지만 향후 구현하게 된다면 더 다양한 모델을 적용할 수 있을 것이라 생각한다. 가장 먼저 구현하고 싶은 부분은 NPC 및 몬스터들의 인게임 보이스를 Deepfake audio or TTS를 통해 직접 생성하는 것이다. 특히 성우를 고용하기 힘든 소규모 프로젝트의 경우 이런 인공지능 모델을 통해 목소리를 생성한다면 보다 완성도 있고 실감나는 게임을 완성할 수 있을 것이며, 게임 유저에게 긍정적인 경험을 줄 것이라 예상하고 있다.

● On-device 상황에서의 원활한 구동

○ 이번 프로젝트에서 가장 예상 못한 복병은 모델과 오디오 크기로 인한 쓰레드 초과 문제였다. 연구자의 입장에선 단순히 성능 좋은 모델이 가장 좋은 결과물 일 것이다. 하지만 이런 모델을 실생활 On-device에 적용하고 사용하는 다수의 기업과 사람들은 조금의 성능은 포기하더라도 모델의 경량화 및 추론 속도에 더욱 집중할 것이다. 우리의 프로젝트도 이런 특성을 떠올려 단순 성능 위주의 모델을 채택한 것이 아니라, 약간의 성능을 포기하고 모델 경량화에 집중한 부분도 있다. 향후 Pruning(가지치기), Quantization(양자화), Knowledgedistillation(지식 증류)등의 모델 경량화 기법들을 추가로 적용하여 실시간 게임에서 더욱 빠르고 가볍게 반응하도록 모델을 재설계 예정이다.

◇ 미처 구현하지 못한 AI 조력자 협동 퍼즐을 완성할 것이고, 미로 퍼즐에 버튼을 추가하여 모든 버튼을 눌러야 다음 문이 열리도록 만들 것이다. 또한 세부 설계 단계에서 게임에 넣지 않기로 결정했던 LLM을 이용한 AI 조력자 시스템을 추가할 것이다.

◇ 최초 계획에서는 외부 시트를 활용하여 인게임 데이터를 관리하려고 했으나 데모 레벨에서는 많은 데이터가 필요하지 않아 이를 기각하였다. 하지만 아이템의 추가나 몬스터의 확장 등을 고려했을 때 데이터 관리 소스는 반드시 필요하다. 또한 게임 시스템에서 미흡한 점이 많았는데 전체적인 게임성의 향상과 사운드, 시각효과 등의 리소스들의 확장을 우선적으로 구현할 예정이다.

◇ 본 프로젝트의 차후 개발 단계에서는 2D 던전 생성에서 벗어나 3D 던전 제작을 구현할 계획이다. 3D 던전은 플레이어에게 더욱 몰입감 있는 탐험 경험을 제공하며, 게임의 복잡성과 다양성을 크게 향상시킬 수 있다. 이를 달성하기 위해 다음과 같은 기술적 접근과 연구가 필요하다.

● 사면체를 이용한 들로네 사각화 (Delaunay Tetrahedralization)

○ 3D 공간에서의 절차적 맵 생성을 위해서는 2D에서 사용했던 들로네 삼각분할(DelaunayTriangulation)을 3D로 확장한 들로네 사면체화(Delaunay Tetrahedralization) 기법이 필수적이다. 이 기법은 3차원 공간 내에서 점들의 집합을 사면체로 분할하여, 각 사면체가 최대한 균일하고 균형 잡힌 구조를 가지도록 한다. 이를 통해 다음과 같은 장점을 얻을 수 있다.

■ 공간의 균등한 분할: 3D 공간을 균등하게 분할하여 던전의 각 구역이 자연스럽고 논리적인 배치를 가지도록 한다.

■ 연결성 보장: 사면체화 과정을 통해 던전 내 모든 방들이 최소 하나의 경로로 연결되도록 보장할 수 있다.

■ 확장성: 새로운 방이나 구역이 추가될 때 기존의 구조를 크게 변경하지 않고도 손쉽게 확장할 수 있다.

● Z축을 포함한 A* 알고리즘 탐구

○ 3D 던전에서의 경로 탐색은 2D 던전과는 달리 Z축을 포함한 *3차원 A 알고리즘**의 적용이 필요하다. 이를 위해 다음과 같은 연구와 구현이 요구된다.

■ 3D 공간에서의 휴리스틱 설계: A* 알고리즘의 효율성을 높이기 위해 3D 공간에 적합한 휴리스틱 함수를 설계해야 한다. 이는 플레이어의 현재 위치와 목표 지점 간의 직선 거리를 기반으로 할 수 있으며, 장애물이나 지형의 복잡성을 고려하여 조정될 수 있다.

■ 다층 구조의 경로 탐색: 3D 던전은 다층 구조를 가질 수 있으므로, 각 층 간의 이동 (예: 계단, 엘리베이터 등)을 고려한 경로 탐색 로직이 필요하다. 이는 경로의 최적화와 탐험의 다양성을 높이는 데 기여할 것이다.

■ 실시간 동적 경로 업데이트: 플레이어의 이동이나 환경 변화에 따라 실시간으로 경로를 재계산하여, 몬스터 AI나 NPC의 행동을 더욱 자연스럽고 유연하게 만들 수 있다.

@@ 282번째 줄: / 282번째 줄: @@
 ===개념설계안===
 ◇ 사용자의 음성을 입력값으로 하여 사전에 훈련한 모델을 통해 텍스트 및 감정을 추론한다.
 [[파일:sigmoid5.png]]
 ◇ Singleton 패턴을 활용하여 게임을 관장하는 시스템을 설계한다. GameManger라는 전체 시스템을 관장하는 스크립트를 만든 뒤 하위에 각 기능 별 Manager 스크립트(e.g. UIManager, SkillManager)를 활용하여 시스템을 구성한다.
@@ 293번째 줄: / 295번째 줄: @@
 ===이론적 계산 및 시뮬레이션===
-내용
+◇ 퍼즐 시스템 유즈케이스 다이어그램
+[[파일:sigmoid7.png]]
+::● Player는 퍼즐 방에 있는 두 가지 퍼즐을 해결해야 다음 방으로 이동할 수 있다.
+::● 퍼즐은 MazePuzzle과 AI Cooperate Puzzle로 나뉘며 각각 미로를 해결하거나 AI 조력자가 전해준힌트를 보고 정해진 순서대로 발판을 눌러서 퍼즐을 해결해야 다음 방으로 진행할 수 있다.
+◇ 시스템의 전체 아키텍쳐 다이어그램
+[[파일:s8.png]]
+◇ AI system의 전반적인 아키텍처 다이어그램
+[[파일:s9.png]]
+::● AI_training_system에서는 모델을 훈련시키고 가장 좋은 성능의 모델의 파라미터를 저장한다
+::● server_system에서는 모델을 돌리기 위한 서버 환경에 모델을 올리고 gpu를 활용해서 실험을 진행한다.
+::● ONNX_convert 에서는 훈련이 완료된 모델을 unity에서 사용하기 위해 변환을 진행한다.
+::● Inference는 onnx파일 기반으로 unity 내부에서 추론을 진행하고 사용자가 원하는 output을 출력한다.
 ===상세설계 내용===
-내용
+'''가. 컴포넌트 다이어그램'''
+◇ 맵 절차적 생성의 컴포넌트 다이어그램
+[[파일:s10.png]]
+::● 이 컴포넌트도는 본 프로젝트에서 구현된 던전 생성 시스템의 주요 구성 요소와 이들 간의 상호작용을 시각적으로 나타낸다. 본 시스템은 Main, MapGenerator, DelaunayTriangulation, MinimumSpanningTree, MapDisplayer로 구성되며, 각 컴포넌트는 서로 명확히 구분된 역할을 수행한다.
+::● Main 컴포넌트는 전체 시스템의 시작점으로, 던전 생성을 초기화하고 다른 주요 컴포넌트들을 호출하여 작업을 수행한다. 우선 MapGenerator를 호출하여 던전의 기본 맵 데이터를 생성한다. 그 다음 MapGenerator는 던전의 구조를 정의하고, 각각의 방과 벽을 구성하는 알고리즘을 실행하여 던전의 기초를 형성한다. 이 과정에서 생성된 맵 데이터는 이후 작업을 위해 DelaunayTriangulation 컴포넌트로 전달되며, 이 단계에서 방의 중점 데이터를 활용하여 들로네 삼각분할을 수행한다. 들로네 삼각분할은 던전의 각 방을 연결하는 삼각형으로 이루어진 네트워크를 생성하며, 이를 통해 방 간의 연결 통로가 생성된다.
+::● 이후, MinimumSpanningTree 컴포넌트가 호출되어 들로네 삼각분할에서 생성된 삼각형 네트워크의 간선 데이터가 입력된다. MinimumSpanningTree는 최소 신장 트리(MST) 알고리즘을 활용하여 불필요한 간선을 제거하고 방 사이의 최단 경로를 효율적으로 계산한다. 이를 통해 던전 내에 고립된 방이 없는 구조가 완성된다.
+::● 최종적으로, MapDisplayer 컴포넌트는 생성된 맵과 MST 데이터를 화면에 시각적으로 렌더링한다.MapDisplayer는 방과 벽, 그리고 연결된 경로를 시각적으로 보여줌으로써 사용자에게 던전과 방을 직관적으로 표시한다. 이를 통해 사용자는 던전의 생성과정 및 결과를 확인할 수 있다.
+'''나. 시퀀스 다이어그램'''
+◇ 주문 발동 시스템의 시퀀스 다이어그램
+[[파일:s11.png]]
+::● 플레이어에 부착된 AudioListener 컴포넌트를 통해 유저의 말을 인식한다.
+::● CheckSpell 함수를 통해 유저의 말을 인식하고, 미리 정의된 주문과 일치하는지를 확인한다.
+::● PrepareSkill 함수를 통해 정의된 주문에 맞는 스킬을 생성하고, 인식된 감정을 통해 상태효과 역시 적용한다.
+::● 마우스 좌클릭 시 UseSkill 함수가 발동되며 이를 통해 유저의 말을 통해 생성된 스킬을 사용한다.
+::● 스킬이 몬스터에게 적중하면 몬스터 내 GetHit 함수가 동작하여 몬스터에게 피해가 들어간다.
+::● 상태이상이 적용되는 감정이 스킬에 포함되어 있는 경우 감정에 따른 상태이상을 몬스터에게 적용한다.
+'''스테이트 다이어그램'''
+◇ 몬스터 행동 스테이트 다이어그램
+[[파일:s12.png]]
+::● 몬스터는 최초 스폰 시 PATROL 상태이며, 미리 정의된 범위 내에서 자유롭게 움직일 수 있다.
+::● 플레이어와의 거리가 traceDist(float) 이상이면 TRACE 상태로, 그렇지 않으면 TRACE 상태에서 traceDist 이하면 PATROL상태로 돌아간다. TRACE 상태에서는 몬스터가 플레이어를 인식하고 플레이어를 향해 다가오게 된다.
+::● 플레이어와의 거리가 attackDist(float) 이상이면 ATTACK 상태로, 그렇지 않으면 ATTACK 상태에서 traceDist 이하면 TRACE상태로 돌아간다. ATTACK 상태에서는 몬스터가 플레이어를 향해 공격을 시작한다.
+::● PAUSED 상태는 적용되며 몬스터의 모든 상태에서 전이될 수도(UI mode일 때 ), 모든 상태로(First Person mode일 때) 전이할 수 있다. PAUSE 상태는 몬스터의 이동과 공격을 모두 멈춘다.
+::● DIE 상태는 몬스터의 모든 상태에서 전이가 가능하며 몬스터 사망 애니메이션을 재생시킨 후 몬스터 오브젝트를 Destroy하며 상태를 종료시킨다.
+'''다. 클래스 다이어그램'''
+◇ AI_system의 클래스 다이어그램
+[[파일:s13.png]]
+::● 먼저 run class에서 실험을 진행하기 위한 전반적인 함수들을 실행하고 실험을 진행시킨다.
+::::○ data_processing을 통해 dataset을 가져온다.
+::::○ data_loader를 통해 가져온 dataset을 dataloader로 배치에 맞게 감싼다.
+::::○ get_args를 통해 실험에 필요한 arguments들을 가져온다.
+::::○ set_experiment_environment를 통해 실험에 필요한 gpu를 연결하고 DDP를 통해 4개의 gpu로 분산 계산을 설정한다. 또한 실험의 random seed를 설정하고, cuda 함수들을 이용하여 gpu 설정 값이 변하지 않도록 지정한다.
+::● data_processing의 LibriSpeech, AI_Hub의 경우 각 sr, ser 모델의 훈련에 필요한 데이터가 저장되어 있는 경로에 접근하여 데이터를 k-fold하여 train과 test로 나눈다. 그 후 레이블 지정을 하여 list로 저장한다.
+::● data_loader는 가져온 data set list를 getitem을 통해 가공, 전처리한다. 전처리를 통해 samplerate를 재 가공하고, frame별로 음성을 잘라서 반환한다. 이렇게 반환된 음성을 batch 사이즈만큼 넣고 loader로 감싸서 main에게 반환한다.
+::● arguments는 실험에 필요한 여러 변수 및 하이퍼 파라미터들을 편하게 시각화하고 유지보수와 여러 실험 진행에 용이하도록 하는 역할이다.
+::● set_experiment_environment는 서버에서 실행되는 실험이기에 gpu 설정을 하고, 다중 gpu를 사용할때 ddp를 통해 분산시키는 역할을 한다. 또한 실험의 seed를 설정하고, 같은 실험 설정에 다른 모델 결과가 나오지 않도록 쿠다로 gpu 파라미터를 고정시킨다.
+::● modeltrainer는 모델을 실제 훈련시키는 부분으로, run, train, evaluation, test_acc, save_best_model로 나뉜다.
+::::○ run부분은 각 epoch마다 train과 evaluation을 호출한다.
+::::○ train은 각 데이터loader를 불러와 모델에 넣고 loss.backward를 통해 손실함수를 계산, 최적화를 진행한다. 모델의 파라미터를 미세조정 및 훈련시키는 부분이다.
+::::○ evaluation은 평가 단계로 test_acc와 save_best_model을 불러온다
+::::○ test_acc는 모델의 파라미터를 고정시키고 test set의 input을 넣어 output을 뽑는다. 그 후 output을 정답 label과 비교하여 정답률을 구해 acc로 반환한다.
+::::○ save_best_model은 반환된 acc를 통해 기존의 best_acc보다 높다면 그 epoch의 모델 파라미터를 저장하는 역할을 한다.
+◇ 미로 생성 시스템의 클래스 다이어그램
+[[파일:s14.png]]
+::● 기본적으로 MazeManager를 통해 미로 생성이 시작된다. ConvertToMap 클래스를 통해 절차적으로 생성된 방에 대한 데이터를 담은 Room 자료구조 리스트를 2차원 배열로 변환한 뒤, MazeManager에서 이를 토대로 MazeCell 자료구조 리스트를 생성한다. MazeGenerate 클래스로 MazeCell 리스트를 보내서 미로를 생성한다. 그 결과 미로의 정보를 담은 MazeCell 자료구조 리스트가 완성되고, MazeTileMapGenerate 클래스로 해당 미로 데이터를 보내서 유니티 씬에 미로를 생성한다.
+::● ConvertToMap 클래스는 Room 자료구조 리스트를 2차원 배열로 변환하는 함수를 가지고 있다. 그리고 2차원 배열을 로그 창에 출력해주는 함수를 갖고 있다.
+::● MazeManager 클래스는 절차적으로 생성된 방에 대한 데이터를 담은 Room 자료구조 리스트를 받아서 2차원 배열과 MazeCell 리스트로 변환해준 뒤, 미로를 생성하는 절차를 시작한다. InitializeMap() 함수에서 먼저 자료구조를 초기화하고 FindDoors() 함수에서 출입구 칸을 찾아 배열을 생성한다. 이후 ConvertToMap 클래스로 보내서 Room 리스트를 2차원 배열로 변환하고 MazeGenerate 클래스로 보내서 미로를 생성한 뒤, MazeTileMapGenerate 클래스로 보내서 미로를 게임 씬에 생성한다.
+::● MazeGenerate 클래스는 자료구조 상에서 미로를 생성한다. GenerateMaze() 함수는 DFS를 이용한 Recursive Backtracking 미로 생성 알고리즘을 사용해서 자료구조에 포함된 모든 칸들을 방문하면서 미로를 생성한다. ShuffleArray() 함수와 Swap() 함수는 배열의 순서를 섞고, 배열의 순서를 바꿔주는 helper 함수들이다. returnOppositeDirection() 함수는 특정 방향을 넣으면 반대 방향을 출력해주는 helper 함수다.
+::● MazeTileMapGenerate 클래스는 게임 씬에 미로를 실제로 생성한다. Awake() 함수는 변수를 초기화하는 함수다. GenerateMap() 함수에서 미로를 게임 씬에 생성하게 된다. 이 때,ChoosePrefabForCell() 함수를 통해 특정 칸에 어떤 프리팹을 생성할 지, 어떤 방향으로 회전해야 하는지 정한다. returnOppositeDirection() 함수는 MazeGenerate 클래스의 함수와 동일한 역할을 한다.
+::● MazeCell 클래스는 각 칸마다 미로를 생성할 때 필요한 정보들을 담은 자료구조다. 어떤 방향으로 통로가 존재하는지 여부, 벽이 아예 없는지 여부, 칸의 타입이 무엇인지, 유니티 게임 상에서 어떤 좌표에 위치해 있는지 등에 대한 변수들이 있다. setPathFlagTrue() 함수는 특정 방향에 통로가 존재한다고 저장하는 함수다. getPathFlag() 함수는 특정 방향에 통로가 존재하는지 bool값을 반환하는 함수다. getRandomFlagIndex() 함수는 벽이 존재하는 방향 중 무작위로 한 방향을 선택해서 반환하는 함수다.
+◇ 절차적 맵 생성의 클래스 다이어그램
+[[파일:s15.png]]
+::● 본 시스템은 Main, MapGenerator, MapDisplayer, DelaunayTriangulation, MinimumSpanningTree와 같은 주요 구성 요소로 이루어지며, Data Structures 패키지 내부에 세부적인 자료 구조를 정의하는 클래스들이 정의되어 있다.
+::● Main 클래스는 전체 시스템의 진입점 역할을 하며, 다른 주요 클래스들을 제어하고 호출한다. 이 클래스는 사용자 입력을 처리하여 맵 생성, 렌더링, 들로네 삼각분할, 최소 신장 트리 계산 등을 단계적으로 수행한다. Main 클래스는 MapGenerator를 통해 초기 맵 데이터를 생성하며, MapDisplayer를 활용하여 생성된 맵의 정보를 화면에 출력한다. 던전의 방 연결 및 최적화된 경로 계산을 위해 DelaunayTriangulation과 MinimumSpanningTree를 호출하여 삼각분할 및 최단 경로 알고리즘을 실행한다.
+::● MapGenerator 클래스는 던전의 구조를 정의하고, 세포 자동자(Cellular Automata) 알고리즘을 기반으로 맵을 절차적으로 생성한다. 이 클래스는 맵에 방과 벽을 배치하며, BFS 알고리즘을 활용하여 각 방의 고유 식별 번호와 정보를 할당한다. 생성된 맵은 Map 클래스의 2차원 배열로 저장되며, 각각의 셀은 Cell 또는 RoomCell 객체로 구성된다.
+::● MapDisplayer 클래스는 맵을 화면에 시각적으로 표시하는 역할을 담당한다. 맵 데이터와 방 정보를 받아 각 셀을 렌더링하며, 색상과 텍스트를 통해 방의 중심, 크기, 벽 등을 명확히 구분하여 시각적 이해를 돕는다. 이를 통해 사용자에게 실감나는 던전을 직관적으로 표현한다.
+::● DelaunayTriangulation 클래스는 방의 중점(RoomCenter)을 기준으로 들로네 삼각분할 알고리즘을 수행한다. 방들 사이의 연결을 나타내는 삼각형과 간선이 생성되며, 이를 통해 최소 신장 트리를 계산하기 위한 기초를 마련한다. 주요 자료 구조로 Vertex, Edge, Triangle 객체를 사용한다.
+::● MinimumSpanningTree 클래스는 들로네 삼각분할로 생성된 간선 데이터를 기반으로 최소 신장 트리(MST)를 생성한다. 이 클래스는 Prim의 알고리즘을 사용하여 방들 간의 최적 경로를 계산하고, 결과적으로 고립된 방이 없는 구조의 맵을 생성한다.
+::● Data Structures 패키지에는 시스템의 핵심 자료 구조를 정의하는 다양한 클래스들이 존재한다. Cell 클래스는 맵의 기본 단위를 나타내며, RoomCell은 이를 확장하여 방의 세부 정보 또한 담고 있다. Room 클래스는 방의 속성과 정보를 관리하며, 방의 중심 좌표와 크기를 계산한다. Vertex,Edge, Triangle 클래스는 들로네 삼각분할과 최소 신장 트리 계산에서 사용되는 핵심 자료 구조이다. Circle 클래스는 삼각형의 외접원을 계산하는 데 사용되며, 삼각형 내에 외부의 점이 포함되는지를 판단한다.
 ==결과 및 평가==
 ===완료 작품의 소개===
 ====프로토타입 사진 혹은 작동 장면====
-내용
+'''가. 프로토타입 작동장면'''
-====포스터====
-내용
+[[파일:s16.png]]
+'''나. 설치'''
+[[파일:s17.png]]
+◇ 압축파일을 풀면 위와 같은 구성을 확인할 수 있다.
+◇ Capstone.exe를 실행시키면 게임이 실행된다.
+◇ Output : 빌드 시 자동으로 생성되는 파일들이며 각 파일들은 아래와 같다.
+:- Capstone_BurstDebugInformation_DoNotShip : 개발 및 디버깅 단계에서 필요한 폴더이며, 실행 시에는 필요하지 않음.
+:- Capstone_Data : 게임 및 애플리케이션의 주요 데이터 파일들이 저장된 폴더이며 씬 데이터, 텍스처, 모델, 스크립트 번들, 설정 파일, 리소스 등 Unity 프로젝트의 실행에 필요한 모든 리소스를 담고 있음.
+:- MonoBleedingEdge : Unity의 Mono 런타임 환경을 제공함. Mono는 C# 코드 실행을 위해 필요한 런타임이며, 최신 버전의 Mono 라이브러리와 함께 제공됨.
+:- Capstone.exe : 실행파일
+:- UnityCrashHandler64.exe 게임이 실행 중 충돌하거나 오류가 발생했을 때 이를 감지하고 로그를 생성하는 Unity의 크래시 핸들러.
+:- UnityPlayer.dll : Unity의 런타임 라이브러리로, 게임의 실행을 위한 렌더링, 입력 처리, 물리 엔진 등의 내용이 담겨있음
+'''다. 실행'''
+[[파일:s18.png]]
+. 최초 입장 시 스폰 방(0번 방)에서 플레이어가 스폰된다. WASD로 이동을, 스페이스바로 점프를 할 수 있다. 최적화를 위해 현재 방과, 연결된 다음 방만 렌더링을 하고 이동을 하면서 점진적으로 렌더링을 하는 방식을 채택했다.
+[[파일:s19.png]]
+. 방 내의 통로에서 다른 방으로 이동할 수 있다. 통로는 벽에 횃불이 설치되어 있어 횃불이 설치된 벽을 따라가면 다음 방으로 들어갈 수 있다.
+[[파일:s20.png]]
+. 통로를 따라 이동하면 미로 방(퍼즐 방) 혹은 전투 방 중 하나의 기믹을 해결해야한다. 위 사진은 미로 방으로서 미로를 탈출하여 다음 방으로 이동할 수 있다.
+[[파일:s21.png]]
+. 위 사진은 전투 방으로서, 입장 시 제한 시간이 활성화 되고 통로가 막히게 된다. 제한 시간 내에 일정한 수의 몬스터를 퇴치해야한다. 미션을 성공하면 막힌 통로가 다시 열리게 되어 다음 방으로 이동할 수 있다.
+[[파일:s22.png]]
+. 마우스 좌클릭으로 기본공격을 할 수 있다. 또한 좌측 Ctrl키를 누른 채로 말을 하면 주문을 인식할 수 있으며 만약 올바른 주문이 인식될 경우 스킬이 활성화되어 스킬을 사용할 수 있다. 또한, 말에서 인식한 감정에 따라 몬스터에게, 혹은 플레이어에게 상태효과가 추가로 적용된다.
+[[파일:s23.png]]
+. 제한 시간 내에 모든 몬스터를 퇴치하면 위에서 언급했듯이 통로가 열리게 되어 다음 방으로 이동할 수 있다. 하지만 제한 시간 내에 미션을 성공하지 못하면 플레이어에게 불꽃이 활성화되어 몇 초 뒤에 죽게 된다. 재시작 버튼을 누르면 처음부터 다시 시작할 수 있다.
 ===관련사업비 내역서===
-내용
+[[파일:s25.png]]
 ===완료작품의 평가===
-내용
+[[파일:s24.png]]
 ===향후계획===
-내용
-===특허 출원 내용===
+'''가. 어려웠던 내용들'''
-내용
+◇ 음성인식 구현에서 가장 어려웠던 점은 ONNX파일로 변환하고 이를 Unity에 적용하는 점이었다. 우선 유니티 AI 모델 추론 기능이 나온지 약 1년 정도 밖에 지나지 않았으며, 당연히 관련 문서는 거의 존재하지 않았다. ONNX 추출 과정에서 함수가 손상되고, Unity에서 인식을 못하는 등 문제점이 많았다. 이를 해결하기 위해 모델 레이어 단위로 output tensor 차원을 출력하여 저장하고, 하나하나 계산하면서 깨진 차원을 찾아낸 후, 그 부분을 제거하거나 고쳤다. 그 결과 unity에서 성공적으로 적용할 수 있었다.
+:[[파일:s26.png]]
+::● 또한 두 번째 문제는 너무 큰 모델 입력으로 인한 Unity 내부 할당 쓰레드 초과 문제였다. 우선적으로 모델의 추론은 약간의 시간이 소요되기 때문에 게임의 흐름을 끊지 않기 위해 비동기적으로 진행하게 하였다. 비동기 방식이 실시간 게임에선 필수적이지만 이런 병렬 프로세스 작업은 쓰레드를 많이 차지하게 되고 결국 할당 쓰레드 초과 문제에 직면하게 하였다. 먼저 쓰레드 할당 현황을 로그로 뽑아 확인 후, 모델의 오디오 입력이 5초를 초과하게 되면 이런 문제가 발생한다는 것을 파악했다.
+::● 문제 파악 후 이를 해결하기 위해선 1가지 필수 조건이 있다는 것을 파악하였다.
+:::○ 음성 인식 모델
+::::■ 입력을 5초로 제한하게 되면 그 이후에 녹음되는 음성은 인식하지 못하는 문제가 발생한다. 때문에 오디오 길이는 그대로 유지하면서 문제를 해결하는 것이 필수적이다. 이를 해결하기 위해 모델 컷팅을 진행했다. 음성 인식 모델의 경우 쓸모 없는 모델 파라미터를 제거하였고 레이어를 제거하여여 모델의 크기를 줄였다.
+:::○ 감정 인식 모델
+::::■ 감정 인식 모델의 경우 발화자의 감정만 파악하면 되기 때문에 30초의 오디오가 모두 필요하지 않다. 따라서 모델의 크기를 그대로 유지한 채, 오디오의 입력을 30초에서 랜덤으로 5초를 추출하도록 설정하여 쓰레드 부족 문제를 해결하였다.
+◇ 절차적으로 생성된 맵에 맞춰 무작위로 생성되는 퍼즐을 기획해야 했다. 두 가지 퍼즐을 기획했는데, 하나는 미로 퍼즐이고 다른 하나는 AI 조력자 협동 퍼즐이다. 미로의 경우 무작위 생성 알고리즘이 존재했기에 이를 이용했는데, 미로가 생성될 맵의 모양이 직사각형이 아닌 다각형의 모양이여서 자칫하면 미로가 생성되지 않는 상황이 발생할 수 있었다. 그래서 미로의 벽과 통로의 생성 방법에 대해 많은 고민을 해야 했다. AI 조력자 협동 퍼즐의 경우 무작위 위치에 특정 색을 지닌 발판 버튼들이 배치되어 있으며 AI 조력자가 알려준 힌트를 보고 버튼들을 색깔 순서에 맞게 눌러야 다음 방으로 가는 문이 열리는 방식이었다. 절차적 생성 알고리즘이 완성되기 전에 베이스 코드를 만들었지만, 코드를 합치고 순서에 맞게 눌러야 하는 기능을 추가하기 시
+작하면서 각종 버그가 발생해서 시간이 지연되었다. 따라서 미로 생성 알고리즘의 완성을 우선시하였고 최종적으로 AI 조력자 협동 퍼즐을 완성하지 못했다.
+◇ 음성, 감정 인식과 플레이어의 기능을 연결하는 것이 어려웠었다. 텍스트로 만든 더미 데이터로 테스트를 진행했을 때는 동작이 잘 되었지만, 음성, 감정의 리턴값을 활용하여 코드를 수정하니 많은 버그가 발생하였다. 이 버그들을 해결하는 데에 많은 시간이 소요됐었지만 최종적으로는 오류가 없는 원하는 결과를 이끌어 낼 수 있었다. 또한, 맵이 동적으로 생성되기 때문에 그에 따라 방에 맞게 navigation을 구축하는 것이 어려웠었다. 이 부분은 하나의 방 내의 navigation 시스템 전체를 관장하는 빈 오브젝트를 만들어 그 오브젝트 하위에 방 내에 있는 모든 navigation 관련 컴포넌트를 추가하여 한 번에 관리하는 방식으로 해결하였다. 이 과정에서 방에 진입했을 때 해당 방의 정보를 수집하고 이를 활용해 전투 시스템 등을 개선할 수 있는 기능들을 구현할 방안을 도출할 수 있었다.
+◇ 절차적 맵 생성 시 렌더링 과부하 문제
+절차적 맵 생성을 구현하는 과정에서 가장 큰 어려움 중 하나는 셀의 수가 과도하게 많아져 렌더링 성능에 과부하가 걸린 점이었다. 초기에는 모든 셀을 한 번에 렌더링하도록 설계하였으나, 방의 수가 증가할수록 유니티 엔진에서 처리해야 하는 오브젝트의 수가 급격히 늘어나 게임의 프레임 속도가 저하되는 현상이 발생하였다. 이는 플레이어의 몰입감을 저해하고, 실시간 게임 플레이에 불리한 영향을 미쳤다. 이를 해결하기 위해 인접 리스트(adjacency list) 를 도입하여 렌더링 최적화를 시도하였다. 구체적으로, 현재 플레이어가 위치한 방과 그 주변에 인접한 방들만을 동적으로 렌더링하고, 그 외의 방들은 비활성화하는 방식으로 접근하였다. 이러한 방법을 통해 렌더링해야 하는 셀의 수를 현저히 줄일 수 있었으며, 게임의 전반적인 성능을 향상시킬 수 있었다. 또한, 인접 리스트를 활용함으로써 방 간의 연결성을 효율적으로 관리할 수 있었고, 플레이어의 이동에 따라 필요한 방만을 선택적으로 로드하여 메모리 사용량을 최적화할 수 있었다.
+'''나. 차후 구현할 내용'''
+◇ 다양한 분야의 도전: 이번 프로젝트에서는 ‘음성’이란 데이터만 다루는 모델을 설계하고 배포하였다. 하지만 AI는 음성 뿐만 아니라 Computer Vision, LLM 등 다양한 분야가 있다. 이런 타 분야의 논문을 읽고 직접 설계해보는 시간을 가진다면 배움의 시야가 한 층 넓어질 것이며, 향후 ‘음성 AI’ 연구를 진행할 때 타 분야의 기술들을 이용하여 설계할 수 있는 기회도 접해 볼 수 있을 것 같다.
+::● 추가 모델 적용
+::::○ 한 학기라는 시간 제한으로 인해 모델 2개 훈련 후 배포로 목표를 잡았지만 향후 구현하게 된다면 더 다양한 모델을 적용할 수 있을 것이라 생각한다. 가장 먼저 구현하고 싶은 부분은 NPC 및 몬스터들의 인게임 보이스를 Deepfake audio or TTS를 통해 직접 생성하는 것이다. 특히 성우를 고용하기 힘든 소규모 프로젝트의 경우 이런 인공지능 모델을 통해 목소리를 생성한다면 보다 완성도 있고 실감나는 게임을 완성할 수 있을 것이며, 게임 유저에게 긍정적인 경험을 줄 것이라 예상하고 있다.
+::● On-device 상황에서의 원활한 구동
+::::○ 이번 프로젝트에서 가장 예상 못한 복병은 모델과 오디오 크기로 인한 쓰레드 초과 문제였다. 연구자의 입장에선 단순히 성능 좋은 모델이 가장 좋은 결과물 일 것이다. 하지만 이런 모델을 실생활 On-device에 적용하고 사용하는 다수의 기업과 사람들은 조금의 성능은 포기하더라도 모델의 경량화 및 추론 속도에 더욱 집중할 것이다. 우리의 프로젝트도 이런 특성을 떠올려 단순 성능 위주의 모델을 채택한 것이 아니라, 약간의 성능을 포기하고 모델 경량화에 집중한 부분도 있다. 향후 Pruning(가지치기), Quantization(양자화), Knowledgedistillation(지식 증류)등의 모델 경량화 기법들을 추가로 적용하여 실시간 게임에서 더욱 빠르고 가볍게 반응하도록 모델을 재설계 예정이다.
+◇ 미처 구현하지 못한 AI 조력자 협동 퍼즐을 완성할 것이고, 미로 퍼즐에 버튼을 추가하여 모든 버튼을 눌러야 다음 문이 열리도록 만들 것이다. 또한 세부 설계 단계에서 게임에 넣지 않기로 결정했던 LLM을 이용한 AI 조력자 시스템을 추가할 것이다.
+◇ 최초 계획에서는 외부 시트를 활용하여 인게임 데이터를 관리하려고 했으나 데모 레벨에서는 많은 데이터가 필요하지 않아 이를 기각하였다. 하지만 아이템의 추가나 몬스터의 확장 등을 고려했을 때 데이터 관리 소스는 반드시 필요하다. 또한 게임 시스템에서 미흡한 점이 많았는데 전체적인 게임성의 향상과 사운드, 시각효과 등의 리소스들의 확장을 우선적으로 구현할 예정이다.
+◇ 본 프로젝트의 차후 개발 단계에서는 2D 던전 생성에서 벗어나 3D 던전 제작을 구현할 계획이다. 3D 던전은 플레이어에게 더욱 몰입감 있는 탐험 경험을 제공하며, 게임의 복잡성과 다양성을 크게 향상시킬 수 있다. 이를 달성하기 위해 다음과 같은 기술적 접근과 연구가 필요하다.
+::● 사면체를 이용한 들로네 사각화 (Delaunay Tetrahedralization)
+::::○ 3D 공간에서의 절차적 맵 생성을 위해서는 2D에서 사용했던 들로네 삼각분할(DelaunayTriangulation)을 3D로 확장한 들로네 사면체화(Delaunay Tetrahedralization) 기법이 필수적이다. 이 기법은 3차원 공간 내에서 점들의 집합을 사면체로 분할하여, 각 사면체가 최대한 균일하고 균형 잡힌 구조를 가지도록 한다. 이를 통해 다음과 같은 장점을 얻을 수 있다.
+:::::■ 공간의 균등한 분할: 3D 공간을 균등하게 분할하여 던전의 각 구역이 자연스럽고 논리적인 배치를 가지도록 한다.
+:::::■ 연결성 보장: 사면체화 과정을 통해 던전 내 모든 방들이 최소 하나의 경로로 연결되도록 보장할 수 있다.
+:::::■ 확장성: 새로운 방이나 구역이 추가될 때 기존의 구조를 크게 변경하지 않고도 손쉽게 확장할 수 있다.
+::● Z축을 포함한 A* 알고리즘 탐구
+::::○ 3D 던전에서의 경로 탐색은 2D 던전과는 달리 Z축을 포함한 *3차원 A 알고리즘**의 적용이 필요하다. 이를 위해 다음과 같은 연구와 구현이 요구된다.
+:::::■ 3D 공간에서의 휴리스틱 설계: A* 알고리즘의 효율성을 높이기 위해 3D 공간에 적합한 휴리스틱 함수를 설계해야 한다. 이는 플레이어의 현재 위치와 목표 지점 간의 직선 거리를 기반으로 할 수 있으며, 장애물이나 지형의 복잡성을 고려하여 조정될 수 있다.
+:::::■ 다층 구조의 경로 탐색: 3D 던전은 다층 구조를 가질 수 있으므로, 각 층 간의 이동 (예: 계단, 엘리베이터 등)을 고려한 경로 탐색 로직이 필요하다. 이는 경로의 최적화와 탐험의 다양성을 높이는 데 기여할 것이다.
+:::::■ 실시간 동적 경로 업데이트: 플레이어의 이동이나 환경 변화에 따라 실시간으로 경로를 재계산하여, 몬스터 AI나 NPC의 행동을 더욱 자연스럽고 유연하게 만들 수 있다.

"2분반-시그모이드"의 두 판 사이의 차이

2024년 12월 19일 (목) 20:52 기준 최신판

목차

프로젝트 개요

기술개발 과제

과제 팀명

지도교수

개발기간

구성원 소개

서론

개발 과제의 개요

개발 과제 요약

개발 과제의 배경

개발 과제의 목표 및 내용

관련 기술의 현황

관련 기술의 현황 및 분석(State of art)

시장상황에 대한 분석

개발과제의 기대효과

기술적 기대효과

경제적, 사회적 기대 및 파급효과

기술개발 일정 및 추진체계

개발 일정

구성원 및 추진체계

설계

설계사양

제품의 요구사항

설계 사양

개념설계안