Durante uma atividade da disciplina de Inteligência Artificial para Jogos, analisei um caso interessante de Hood: Outlaws & Legends: a forma como o jogo tenta prever quando e onde interceptar jogadores que estão desviando da proposta furtiva da partida.
O jogo é um PvPvE em que 2 grupos de 4 jogadores tentam roubar um tesouro protegido por um NPC elite, o Sheriff, e por guardas conhecidos como The State.
A estrutura da partida envolve roubar uma chave, localizar o tesouro, transportá-lo e tentar extraí-lo. Porém, como se trata de um jogo com forte proposta de stealth, os jogadores não deveriam simplesmente correr pelo mapa ignorando os sistemas de furtividade.
O ponto interessante é justamente esse: o jogo precisava reagir quando os jogadores começavam a quebrar a experiência planejada.
O problema de design
Segundo os desenvolvedores, alguns jogadores estavam ignorando parte da proposta furtiva do jogo. Em vez de usar stealth, eles corriam pelo mapa, alertavam guardas e reduziam a importância dos sistemas criados para gerar tensão.
Isso criava um problema de design.
Se o jogo permite que os jogadores ignorem a furtividade sem consequências relevantes, então os sistemas de stealth perdem peso. A experiência deixa de ser sobre infiltração, risco e tensão, e passa a ser apenas uma corrida até o objetivo.
Para responder a isso, foi criado um sistema capaz de observar o comportamento dos jogadores em tempo real e adaptar a resposta dos NPCs.
A ideia não era simplesmente impedir o jogador de jogar de outro jeito, mas criar consequências para ações muito expostas e incentivar uma abordagem mais furtiva.
O que está sendo modelado
Nesse caso, o sistema está modelando principalmente o comportamento do jogador.
Ele observa ações concretas durante a partida, como:
- posição do jogador;
- velocidade de movimento;
- rota provável;
- estado da chave;
- estado do tesouro;
- percepção dos NPCs;
- proximidade com objetivos importantes.
Mas o objetivo final não é apenas entender o comportamento.
O objetivo é adaptar a experiência.
Ou seja, o jogo usa dados comportamentais para alterar a forma como os NPCs respondem, aumentando tensão, risco e pressão quando os jogadores agem de maneira muito “exibido”.
Essa diferença é importante.
O sistema não parece tentar criar um perfil psicológico complexo do jogador, como no Left 4 Dead. Ele não precisa saber se o jogador é “agressivo”, “cauteloso” ou “competitivo” em sentido amplo.
Ele precisa responder a uma pergunta mais prática:
O jogador está se movendo de uma forma que ameaça quebrar a proposta furtiva da experiência?
Como os NPCs reagem ao jogador
A análise descrita no capítulo sobre Hood: Outlaws & Legends envolve a previsão de quando e onde interceptar o jogador.
Para isso, o sistema usa dados do estado atual da partida.
Um primeiro conjunto de dados ajuda a prever o possível objetivo do jogador:
- onde o jogador está;
- onde está o Sheriff;
- onde está a chave;
- onde está o tesouro;
- se o tesouro ainda está em uma sala;
- se está sendo transportado;
- se está sendo extraído.
Com essas informações, a IA pode estimar um caminho provável entre a posição atual do jogador e seu possível objetivo.
Esse caminho provável, segundo o livro, foi feito usando o pathfinding sobre uma NavMesh simplificada(sem portas). Assim, o sistema não precisa prever todos os movimentos possíveis do jogador. Ele só precisa ter uma boa estimativa de qual rota faz sentido dentro daquele contexto.
Quando a IA deve reagir
Depois de estimar o objetivo e o caminho provável, o sistema precisa decidir quando reagir.
Uma resposta muito agressiva poderia parecer injusta. Se a IA punir qualquer movimento do jogador, mesmo quando ele está jogando corretamente, a experiência fica frustrante.
Por isso, a decisão envolve algumas checagens.
Velocidade de movimento
Jogadores que se movimentam rapidamente podem ser considerados potenciais alvos da intervenção da IA.
Isso faz sentido dentro da proposta do jogo, porque correr pelo mapa pode indicar que o jogador está ignorando o stealth e tentando avançar de forma muito direta.
Rota do jogador
Outra checagem envolve comparar a direção do movimento do jogador com o caminho provável até o objetivo.
Se o vetor de velocidade do jogador estiver alinhado com o caminho provavel dentro de uma margem aceitável, o sistema pode assumir que ele está indo em direção ao objetivo previsto.
Isso ajuda a IA a diferenciar um jogador que está apenas se reposicionando de um jogador que está realmente tentando avançar de forma direta para o objetivo.
Percepção dos NPCs
A última checagem é essencial: os NPCs precisam perceber o jogador.
Isso evita consequências injustas. Se o jogador está se movendo rápido, mas não foi percebido por nenhum guarda, não faz sentido o jogo reagir como se ele tivesse quebrando a furtividade.
Para a IA reagir, é necessário que algum guarda ou o Sheriff tenha percepção completa do jogador.
Essa parte me parece uma boa decisão de design, porque conecta a modelagem de jogador ao sistema de percepção do próprio jogo.
A intervenção da IA não acontece apenas porque o sistema “sabe” onde o jogador está. Ela acontece porque, dentro da ficção do jogo, os NPCs também perceberam aquela ação.
Onde a IA deve reagir
Depois de decidir que precisa agir, a IA precisa decidir onde interceptar o jogador.
Para isso, o jogo usa pontos estratégicos definidos no mapa. Esses pontos funcionam como possíveis locais para montar uma barricada e posicionar guardas que direcionam o jogador ao caminho correto.
A IA avalia o caminho provável, decide possíveis barricadas e calcula quais guardas conseguem chegar a tempo nesses pontos de interceptação.
A partir disso, ela escolhe as barricadas e envia os guardas capazes de chegar antes do jogador.
O objetivo não é apenas perseguir o jogador diretamente. É criar uma resposta tática que antecipe seu movimento provável.
Se o jogador voltar em direção ao objetivo previsto, a barricada cumpre seu papel. Se ele retornar ao comportamento esperado, o sistema pode desmontar a barricada depois de um tempo.
Isso cria uma adaptação dinâmica da partida sem necessariamente precisar de um sistema de aprendizado complexo.
Por que isso é modelagem de jogador
Dentro da taxonomia de modelagem de jogadores, esse sistema se encaixa principalmente em três papéis.
Análise de comportamento
O sistema observa ações dos jogadores em tempo real, como posição, velocidade, rota provável, estado do objetivo e percepção pelos NPCs.
Esses dados são usados para interpretar o que o jogador provavelmente está tentando fazer.
Adaptação de comportamento
Depois da análise, a IA adapta o comportamento dos NPCs.
Os guardas podem mudar sua resposta, se reposicionar, tentar interceptar jogadores ou formar barricadas em pontos estratégicos.
É importante notar que o comportamento diretamente adaptado é o dos NPCs, não o do jogador.
O jogador é influenciado pela resposta do sistema, mas não controlado por ela.
Adaptação de experiência
Essas mudanças alteram a experiência do jogador em tempo real.
A partida fica mais tensa, arriscada e pressionada quando os jogadores agem de forma muito exposta.
Assim, a furtividade continua sendo uma estratégia relevante.
Resumo
Usa regras definidas pelos desenvolvedores para interpretar ações do jogador e definir as respostas da IA.
Existe uso de dados em tempo real, mas esses dados não parecem ser usados para criar comportamentos emergentes ou agrupar estilos de jogadores livremente.
O comportamento já está categorizado por regras de design.
O sistema sabe quais sinais importam, quais situações devem ser consideradas arriscadas e quais respostas podem ser usadas.
Em Hood: Outlaws & Legends, o interessante é o uso de regras claras para criar uma resposta adaptativa.
A IA não precisa “descobrir” sozinha o que significa quebrar a proposta furtiva. Os designers já definiram os sinais e as consequências.
O que aprendi com esse caso
O ponto mais interessante para mim é que modelagem de jogador não precisa ser algo extremamente complexo para ser útil.
Às vezes, o jogo não precisa entender profundamente o jogador.
Ele precisa observar sinais suficientes para responder melhor à situação.
Nesse caso, dados como posição, velocidade, rota provável e percepção dos NPCs já permitem criar uma adaptação relevante da experiência.
Também achei interessante como o sistema conecta IA, level design e game design.
Os pontos de interceptação dependem do mapa. A decisão de reagir depende da percepção dos NPCs. A consequência existe para preservar a tensão da experiência furtiva.
Ou seja, a IA não está isolada.
Ela funciona como parte de um sistema maior de design.
Conclusão
A análise de Hood: Outlaws & Legends mostra que a modelagem de jogador pode ser usada para preservar uma experiência planejada.
O sistema observa comportamentos dos jogadores, estima intenções prováveis e adapta a resposta dos NPCs para criar tensão e consequência.
Para mim, a principal lição é:
Modelar o jogador não significa entender tudo sobre ele. Às vezes, basta observar sinais úteis para adaptar a resposta do jogo.
Esse tipo de sistema mostra como IA em jogos não é apenas sobre NPCs “inteligentes”. Muitas vezes, é sobre criar respostas que sustentam a experiência que o design quer entregar.
Referências
- Game AI Uncovered: Volume One, Capítulo 3 — “Predicting When and Where to Intercept Players in Hood: Outlaws & Legends”.
- Xbox Wire — “Designing the Felony System and Stealth Mechanics in Hood: Outlaws & Legends”.