한밭대학교 컴퓨터공학과 Instant팀

팀 구성

• 20227126 김만종
• 20217142 양경찬

Teamate Project Background

• 필요성

  • 기존의 숨바꼭질(Hide and Seek) 장르와 소셜 디덕션(Social Deduction) 장르를 결합하여 플레이어 간의 심리전을 강조한 새로운 멀티플레이 경험 제공
  • 단순한 물리적 숨기가 아닌, 플레이어를 모방하는 AI NPC들 사이에서 플레이어 Seeker로부터 자신의 '행동'을 숨겨야 하는 고도화된 게임플레이
  • 연구용으로 사용되는 Unity ML-Agents를 활용하여 실제 플레이어처럼 행동하는 AI NPC를 구현하고, 실제 게임에 적용함으로써 활용 방법 제시

• 기존 해결책의 문제점

  • 기존 소셜 디덕션 게임: 대부분 플레이어 간의 직접적인 상호작용(대화, 투표)에 의존하며, 게임 환경 내 AI가 탐지나 교란의 핵심 요소로 작용하는 경우가 드묾
  • 기존 숨바꼭질 게임: 주로 오브젝트 변신(Prop Hunt)이나 정적인 숨기에 초점을 맞춤. 본 프로젝트처럼 다수의 AI NPC 사이에서 '행동 패턴'을 위장하여 플레이어 Seeker를 속이는 방식의 게임은 부족함

System Design

• System Architecture

• System Requirements

  • Unity Engine: 6000.2.6f
  • Netcode for GameObjects: 2.6.0
  • ML-Agents: 2.0.1
  • Unity Services: 1.1.8
    • Authentication (인증), Multiplayer (세션 관리)
  • Unity Cinemachine: 3.1.4
    • 3인칭 궤도 카메라(Orbital Follow)
  • DOTween Pro (Third-Party): 1.0.480
    • UI 애니메이션 연출

Case Study

• Description

  • 소셜 디덕션 및 숨바꼭질 장르 융합: 플레이어 Hider가 플레이어 Seeker를 피해 AI NPC들 사이에서 생존하는 PvP 규칙을 채택
  • AI NPC 행동 모방 (ML-Agents - 학습 방식 개선):
    • 초기 학습 방식: 개발 초기에는 HiderTrainAgent.cs에게 Hider의 특정 행동(예: 점프, 스핀) 자체에 직접적인 보상을 부여하여 해당 행동을 유도하는 방식으로 학습을 시도함. 그러나 이 방식은 원하는 행동(NPC처럼 보이기)을 학습시키기 위한 보상 함수 설계가 복잡해지고, 학습 효율이 낮으며 결과적으로 생성된 모델의 성능(자연스러움, Seeker 회피 능력)이 만족스럽지 못했음
    • 개선된 학습 방식 (AI Seeker 및 의심도 시스템 도입): 학습 효율과 모델 성능을 높이기 위해 학습 환경(HiderTrainAgent.cs가 동작하는 환경) 내에 AI Seeker(SeekerMover.cs)를 도입함. 이 AI Seeker는 '의심도(Suspicion)' 시스템을 기반으로 Hider Agent의 눈에 띄는 행동(점프, 스핀 등)을 감지하고 추적함. 이에 따라 Hider Agent의 보상 함수를 단순화함
      • Seeker에게 잡히지 않고 오래 생존하는 것에 긍정적 보상
      • Seeker에게 잡혔을 때 큰 부정적 보상
      • (추가 가능) 의심도를 특정 범위 내로 유지하는 것에 대한 보상 또는 범위를 벗어났을 때의 패널티를 부여함. 이 접근 방식은 Agent가 스스로 Seeker의 탐지를 피하기 위해 NPC처럼 '덜 의심스러운' 행동 패턴을 학습하도록 유도하여, 더 간단한 코드 구조로 더 효율적인 학습과 높은 성능의 행동 모델을 얻을 수 있었음
  • 플레이어 역할 시스템 (Seeker/Hider): RoleManager.cs가 게임 시작 시 무작위로 플레이어들에게 Seeker 또는 Hider 역할을 배정함
    • SeekerRole.cs: 플레이어 Seeker는 더 빠른 이동 속도를 가지며, 공격(TryInteract)을 통해 다른 플레이어(HittableBody)에게 피해를 줄 수 있음
    • HiderRole.cs: 플레이어 Hider는 맵 상의 오브젝트(InteractableObject)와 상호작용(예: 아이템 줍기)이 가능하며, NPC처럼 행동하여 Seeker의 눈을 속여야 함
  • Unity Netcode (NGO) 아키텍처: 호스트-서버(Host-Server) 모델 기반. ConnectionManager가 Unity Multiplayer Service를 통해 세션을 관리하며, GameManager가 NetworkList<PlayerData>로 모든 플레이어의 역할과 상태를 동기화함. PlayManager는 게임 흐름(타이머, 역할 배정, 스폰)을 RPC와 NetworkVariable로 관리함
  • 구형(Spherical) 월드 물리: PlanetGravity.cs와 PlanetBody.cs를 통해 캐릭터들이 구형 행성 표면을 자연스럽게 이동하고 표면에 맞춰 정렬되도록 구현함
  • Hider 미션 시스템: Hider 플레이어에게 생존 외 추가 목표(점프 횟수, 특정 아이템 줍기 등)를 부여하여 게임플레이에 다양성을 더함. 미션 성공 시 버프, 실패 시 디버프를 제공하여 위험과 보상을 동시에 제공함

Conclusion

• 주요 성과

  • 완전한 PvPvE 멀티플레이 게임 루프 구현: Unity Services와 Netcode for Gameobjects를 활용하여 세션 관리, 로비, 역할 배정, 인게임 플레이(Hider 생존 및 미션 수행, Seeker 탐색 및 공격), 결과 처리까지 이어지는 완전한 멀티플레이 게임 사이클을 성공적으로 구현함
  • 핵심 소셜 디덕션 메커니즘 구축: 플레이어 Seeker가 플레이어 Hider를 다수의 AI NPC(Npa.cs) 사이에서 찾아내야 하는 핵심 게임플레이 메커니즘을 구현함. Hider는 NPC의 행동을 모방하여 자신의 정체를 숨겨야 함
  • 이벤트 기반 시스템 아키텍처: GamePlayEventHandler와 MissionNotifier 등 이벤트 버스를 사용하여 UI, 게임 로직, 미션 시스템 간의 결합도를 낮추고 유연한 구조를 설계함
  • 확장 가능한 컨텐츠 구조: 동물(AnimalData), 미션(MissionData), 상호작용 오브젝트(InteractionData) 등을 ScriptableObject 기반으로 설계하여, 코드 수정 없이 새로운 게임 요소를 쉽게 추가하고 관리할 수 있는 시스템을 구축함
  • 인게임 이미지
    • 
    • 
    • 
    • 

• 향후 발전 방향

  • Hider AI(NPC) 행동 고도화: ML-Agents 학습(HiderTrainAgent.cs)을 통해 수집된 플레이어 행동 데이터를 기반으로, 현재의 Npa.cs보다 더 정교하고 플레이어와 구별하기 어려운 NPC 행동 모델을 생성 및 적용
  • 전용 서버(Dedicated Server) 도입: 현재 호스트-서버 모델의 안정성 한계를 극복하기 위해, Unity Game Server Hosting (Multiplay) 등을 활용한 전용 서버 아키텍처로 전환하여 더 안정적이고 확장 가능한 멀티플레이 환경 제공
  • 컨텐츠 확장 및 밸런싱: AnimalData에 정의된 다양한 동물 모델 구현, MissionType 기반의 새로운 Hider 미션 추가, Seeker와 Hider 간의 스킬 또는 능력 추가 등을 통해 게임플레이 깊이 확장 및 역할 간 밸런스 조정

Project Outcome

• 2025 대전 게임 브릿지 데이 인디(inD) 게임어스 분야 우수상 수상
• 2025 한밭대학교 컴퓨터공학과 캡스톤 디자인 전시회 장려상 수상