Production Systems and Information Engineering

Per-pixel megvilágítás multi-object modellek esetén

Péter Mileff — Wed, 10 Dec 2025 00:00:00 +0100

A számítógépes grafikában a per-pixel világítás széles körben alkalmazott technika a valósághű fényhatások elérésére, amely a fény kölcsönhatásait pixelenként számítja ki. Ez a megközelítés lehetővé teszi a felületi jellemzők, például a textúrák és a finomabb részletek megjelenítését, amelyek kulcsfontosságúak a magas minőségű vizuális élményhez. A per-pixel világítás továbbfejlesztésére gyakran alkalmazzák a normal map technikát, amely bonyolult felületi részleteket képes szimulálni a geometriai komplexitás növelése nélkül. Azonban a pontos normálvektor-számítások kihívást jelenthetnek olyab modellek esetén,amelyek több objektumból állnak, ahol különböző orientációjú és geometriájú szomszédos felületek osztoznak ugyanazokon a csúcsokon. Jelen cikk egy olyan módszert mutat be, amely helyes normálvektorok számítását teszi lehetővé több-objektumos modellekhez, biztosítva a vizuálisan konzisztens és valósághű fényhatásokat komplex jelenetekben. A javasolt technika olyan gyakori problémákra ad megoldást, mint a normál-interpolációs problémák és az abból fakadó fény inkonzisztenciák. Az eredmények bemutatják, hogy a módszer jelentősen javítja a per-pixel világítás vizuális minőségét normal map technikával kombinálva, és robusztusabb megoldást nyújt a valós idejű rendereléshez.

Q-érték inicializálás a HFRIQ-learning rendszerben

Tamás Tompa., Szilveszter Kovács — Wed, 10 Dec 2025 00:00:00 +0100

The aim of the Heuristically Accelerated Fuzzy Rule-Interpolation based Q-learning (HFRIQ-learning) method is to inject expert-defined knowledge into the learning process to training and to fine-tune this initial knowledge base during the learning phase. The expert knowledge is provided in the form of "if-then" rules, where the "if" part represents the states and the "then" part specifies the preferred action in the given state. In order to inject the expert rules into the HFRIQ-learning system, each rule have to converted into a "state-action-Q-value" format. The conversion requires the determination of an initial Q-value for each expert rule. The goal of this paper is to introduce a method for Q-value initialization, which assigns an initial Q-value to each expert-defined rule, thereby enabling the expert rule-base to be injected into the learning process in the appropriate "state-action-Q-value" format.

Játékciklus: a játékmotor szíve

Péter Mileff — Wed, 10 Dec 2025 00:00:00 +0100

A játékipar világa hosszú utat tett meg a Pong és a Space Invaders korszakától napjainkig. Ma a játékok nem csupán szórakoztatási formát jelentenek, hanem egy hatalmas iparágat is, amely számos területen hajtja előre a technológiai fejlődést. Maga a játék egy összetett rendszer, amely számos komponensből áll. Jelen publikációban ezek közül az egyik legfontosabb elemét vizsgáljuk meg: a játékciklus (game loop) fogalmát és annak szerepét a játéktechnológiában. A játékciklus a játékfejlesztés alapvető szerkezeti eleme, amely a játék állapotának folyamatos frissítésével és a grafika kirajzolásával irányítja a játék folyamatát. Célunk, hogy átfogó képet adjunk a különböző típusú játékciklusokról, azok jelentőségéről és működésükről.

Klaszterezési módszeren alapuló fuzzy szabálybázis redukálás a FRIQ-learning rendszerben

Tamás Tompa., Szilveszter Kovács — Wed, 10 Dec 2025 00:00:00 +0100

Fuzzy logic-based reinforcement learning methods represent system knowledge in the form of a fuzzy rule-base. The number of rules in the rule-base, in other words, the size of the knowledge base, determines the complexity and computational demand of the RL system. Consequently, optimizing the size of the rule-base and identifying potentially redundant rules is crucial for enhancing the efficiency of these fuzzy logic-based learning methods. A large sized rule-base can increase computational demand and reduce the transparency of the decision-making process. The aim of this paper is to introduce a fuzzy rule-base reduction method based on a clustering technique in the FRIQ-learning reinforcement learning system. This method is suitable for reducing the size of the fuzzy rule-base by identifying relevant rules while ensuring that the decision-making capability of the system remains unchanged.