[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -1,89 +1,259 @@
|
||||
---
|
||||
id: wiki-2026-0508-goal-oriented-action-planning
|
||||
title: Goal Oriented Action Planning
|
||||
title: Goal-Oriented Action Planning (GOAP)
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [GOAP-001]
|
||||
aliases: [GOAP, action planning, F.E.A.R AI, STRIPS, HTN, behavior tree alternative]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [game-ai, ai-planning, game-design, Behavior-systems]
|
||||
confidence_score: 0.92
|
||||
verification_status: applied
|
||||
tags: [game-ai, planning, goap, strips, htn, action-planning, npc]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-26
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: C# / C++ / Python
|
||||
applicable_to: [Game AI, Planning, NPC]
|
||||
---
|
||||
|
||||
# [[goal|goal]]-Oriented Action Planning (GOAP, 목표 지향적 행동 계획)
|
||||
# Goal-Oriented Action Planning (GOAP)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "어떻게 할지 가르치지 말고, 무엇을 하고 싶은지 정해주면 스스로 계획하게 하라" — 에이전트가 목표를 달성하기 위해 현재 상태에서 가능한 행동들의 조합을 동적으로 탐색하고 계획(Plan)을 세워 실행하는 AI 아키텍처.
|
||||
## 매 한 줄
|
||||
> **"매 NPC 의 goal 의 의 의 action sequence 의 plan"**. F.E.A.R. (Monolith 2005) 매 famous. 매 STRIPS-derived. 매 modern alternative: 매 behavior tree, HTN, utility AI. 매 LLM 의 action plan 의 also similar.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** 복잡한 상태 전이([[State|State]] Machine)를 하드코딩하는 대신, 각 행동의 전제 조건(Pre-condition)과 효과(Effect)를 정의하여 목표(Goal)에 도달하는 최적의 경로를 그래프 탐색(A* 등)으로 찾아내는 패턴.
|
||||
- **세부 내용:**
|
||||
- **Goal:** 에이전트가 도달하고자 하는 상태 (예: '적을 제거하라', '체력을 회복하라').
|
||||
- **Actions:** 에이전트가 수행할 수 있는 최소 단위의 행동. (예: '장전', '이동', '사격').
|
||||
- **Planner:** 현재 상태에서 목표 상태로 가기 위한 행동들의 순서를 실시간으로 계산.
|
||||
- **Dynamic Re-planning:** 상황이 바뀌면(예: 적이 시야에서 사라짐) 즉시 계획을 폐기하고 새로운 계획을 수립.
|
||||
## 매 핵심
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 거대한 FSM(유한 상태 머신)의 복잡성과 경직성을 해결하기 위해 도입됨. 최근에는 계층적 태스크 네트워크(HTN)나 딥러닝 기반 정책 결정과 상호 보완적으로 사용됨.
|
||||
- **정책 변화:** Skybound 프로젝트의 보스 몬스터 AI는 GOAP 기반의 계획 시스템을 사용하여, 플레이어의 위치와 자신의 체력 상태에 따라 지능적으로 공격과 퇴각을 결정함.
|
||||
### 매 component
|
||||
- **Goal**: 매 desired world state.
|
||||
- **Action**: 매 (precondition, effect, cost).
|
||||
- **Planner**: 매 A* search 의 의 의 actions.
|
||||
- **WorldState**: 매 current facts.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- Game-AI, A-Star-Algorithm, Finite-State-Machine, HTN-Planning
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Goal-Oriented-Action-Planning.md
|
||||
### 매 vs alternatives
|
||||
- **FSM**: 매 hardcoded transitions.
|
||||
- **Behavior Tree**: 매 reactive, designer-friendly.
|
||||
- **GOAP**: 매 emergent, dynamic plan.
|
||||
- **HTN**: 매 hierarchical task decompose.
|
||||
- **Utility AI**: 매 score actions.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 응용
|
||||
1. **Game AI** (FPS, RTS).
|
||||
2. **Robotics planning**.
|
||||
3. **NPC complex behavior**.
|
||||
4. **Strategy game**.
|
||||
5. **LLM agent (similar pattern)**.
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
### Action definition
|
||||
```python
|
||||
@dataclass
|
||||
class Action:
|
||||
name: str
|
||||
cost: float
|
||||
preconditions: dict # 매 state requirements
|
||||
effects: dict # 매 state changes
|
||||
|
||||
def can_run(self, world_state):
|
||||
return all(world_state.get(k) == v for k, v in self.preconditions.items())
|
||||
|
||||
def apply(self, world_state):
|
||||
new = world_state.copy()
|
||||
new.update(self.effects)
|
||||
return new
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### Goal definition
|
||||
```python
|
||||
@dataclass
|
||||
class Goal:
|
||||
name: str
|
||||
desired_state: dict
|
||||
priority: float
|
||||
|
||||
def is_satisfied(self, world_state):
|
||||
return all(world_state.get(k) == v for k, v in self.desired_state.items())
|
||||
```
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### A* planner
|
||||
```python
|
||||
import heapq
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
def goap_plan(world_state, goal, actions):
|
||||
queue = [(0, world_state, [])]
|
||||
visited = set()
|
||||
|
||||
while queue:
|
||||
cost, state, path = heapq.heappop(queue)
|
||||
state_key = frozenset(state.items())
|
||||
if state_key in visited: continue
|
||||
visited.add(state_key)
|
||||
|
||||
if goal.is_satisfied(state): return path
|
||||
|
||||
for action in actions:
|
||||
if action.can_run(state):
|
||||
new_state = action.apply(state)
|
||||
heuristic = compute_heuristic(new_state, goal)
|
||||
heapq.heappush(queue, (cost + action.cost + heuristic, new_state, path + [action]))
|
||||
|
||||
return None # 매 no plan
|
||||
```
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
### Heuristic (number of unsatisfied goal facts)
|
||||
```python
|
||||
def compute_heuristic(state, goal):
|
||||
return sum(1 for k, v in goal.desired_state.items() if state.get(k) != v)
|
||||
```
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
### Example: combat AI
|
||||
```python
|
||||
ACTIONS = [
|
||||
Action('reload', cost=1, preconditions={'has_weapon': True, 'has_ammo': True}, effects={'weapon_loaded': True}),
|
||||
Action('grab_ammo', cost=2, preconditions={'near_ammo': True}, effects={'has_ammo': True}),
|
||||
Action('fire', cost=1, preconditions={'weapon_loaded': True, 'enemy_visible': True}, effects={'enemy_dead': True, 'weapon_loaded': False}),
|
||||
Action('take_cover', cost=3, preconditions={'cover_available': True}, effects={'in_cover': True}),
|
||||
]
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
GOAL_KILL = Goal('kill_enemy', {'enemy_dead': True}, priority=1.0)
|
||||
|
||||
world = {'has_weapon': True, 'has_ammo': False, 'near_ammo': True, 'enemy_visible': True, 'cover_available': True}
|
||||
plan = goap_plan(world, GOAL_KILL, ACTIONS)
|
||||
# 매 → [grab_ammo, reload, fire]
|
||||
```
|
||||
|
||||
### Reactive replanning
|
||||
```python
|
||||
class GOAPAgent:
|
||||
def __init__(self, actions):
|
||||
self.actions = actions
|
||||
self.current_plan = []
|
||||
self.current_goal = None
|
||||
|
||||
def update(self, world_state):
|
||||
# 매 select goal
|
||||
goals = self.evaluate_goals(world_state)
|
||||
new_goal = max(goals, key=lambda g: g.priority)
|
||||
|
||||
# 매 replan if goal changed or plan invalid
|
||||
if new_goal != self.current_goal or not self.plan_valid(world_state):
|
||||
self.current_plan = goap_plan(world_state, new_goal, self.actions)
|
||||
self.current_goal = new_goal
|
||||
|
||||
if self.current_plan:
|
||||
return self.current_plan.pop(0)
|
||||
return None
|
||||
```
|
||||
|
||||
### Cost dynamic adjustment
|
||||
```python
|
||||
def dynamic_cost(action, world_state):
|
||||
base = action.cost
|
||||
if action.name == 'fire' and world_state['low_ammo']: return base * 3
|
||||
if action.name == 'take_cover' and world_state['health'] < 30: return base * 0.3
|
||||
return base
|
||||
```
|
||||
|
||||
### HTN (Hierarchical Task Network)
|
||||
```python
|
||||
class Task:
|
||||
def __init__(self, name, methods):
|
||||
self.name = name; self.methods = methods # 매 list of decomposition
|
||||
|
||||
class Method:
|
||||
def __init__(self, preconditions, subtasks):
|
||||
self.preconditions = preconditions; self.subtasks = subtasks
|
||||
|
||||
# 매 decompose top task → primitive actions
|
||||
```
|
||||
|
||||
### Behavior Tree (alternative)
|
||||
```python
|
||||
class Selector:
|
||||
def tick(self):
|
||||
for child in self.children:
|
||||
if child.tick() == 'success': return 'success'
|
||||
return 'fail'
|
||||
|
||||
class Sequence:
|
||||
def tick(self):
|
||||
for child in self.children:
|
||||
if child.tick() != 'success': return 'fail'
|
||||
return 'success'
|
||||
|
||||
# 매 attack tree
|
||||
attack = Sequence([HasAmmo(), HasWeapon(), Selector([Fire(), Reload()])])
|
||||
```
|
||||
|
||||
### Utility AI (alternative)
|
||||
```python
|
||||
def utility_decide(actions, world_state):
|
||||
scores = []
|
||||
for action in actions:
|
||||
if not action.can_run(world_state): continue
|
||||
score = sum(consider.score(world_state) for consider in action.considerations)
|
||||
scores.append((action, score))
|
||||
return max(scores, key=lambda x: x[1])[0]
|
||||
```
|
||||
|
||||
### LLM agent (similar pattern)
|
||||
```python
|
||||
def llm_plan(goal, world_state, available_tools, llm):
|
||||
prompt = f"""You are a planner. Goal: {goal}
|
||||
Current state: {world_state}
|
||||
Tools: {available_tools}
|
||||
|
||||
Output a plan (JSON list of tool invocations) to achieve the goal."""
|
||||
return json.loads(llm.generate(prompt))
|
||||
```
|
||||
|
||||
### Plan visualization
|
||||
```python
|
||||
def visualize_plan(plan, world_state):
|
||||
state = world_state.copy()
|
||||
for i, action in enumerate(plan):
|
||||
print(f'{i+1}. {action.name} (cost {action.cost})')
|
||||
state = action.apply(state)
|
||||
print(f'Final state: {state}')
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Complex emergent NPC | GOAP |
|
||||
| Designer-driven | Behavior Tree |
|
||||
| Hierarchical task | HTN |
|
||||
| Score-based | Utility AI |
|
||||
| Modern flexible | LLM agent |
|
||||
| Simple | FSM |
|
||||
|
||||
**기본값**: 매 GOAP for emergent + 매 BT for reactive + 매 HTN for hierarchical + 매 LLM for flexible/data-rich.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Game-AI]] · [[Planning]]
|
||||
- 변형: [[Behavior-Tree]] · [[HTN]] · [[Utility-AI]]
|
||||
- 응용: [[F.E.A.R-AI]] · [[NPC-Behavior]]
|
||||
- Adjacent: [[STRIPS]] · [[Drama Management Systems]] · [[Foundation-Models]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 game NPC. 매 robot planning.
|
||||
**언제 X**: 매 simple linear behavior.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Plan once + execute blind**: 매 dynamic world fail.
|
||||
- **Action explosion**: 매 search slow.
|
||||
- **No replanning**: 매 stale.
|
||||
- **GOAP for trivial NPC**: 매 over-engineer.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (F.E.A.R AI postmortem, Orkin, GOAP literature).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-04-20 | Auto |
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — GOAP + 매 A* / BT / HTN / utility / LLM agent code |
|
||||
|
||||
Reference in New Issue
Block a user