Artigo

19 de outubro de 2026

Sistema de inteligência artificial para personagens não jogáveis utilizando Behavior Trees na Unreal Engine

Sistema de Inteligência Artificial para Personagens Não Jogáveis Utilizando Behavior Trees na Unreal Engine

Suzana Lopes de Azevedo; Diego Marques de Carvalho

DOI: 10.22167/2675-6528-202603470

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

Um sistema básico de inteligência artificial para personagens não jogáveis (NPCs) foi desenvolvido e analisado, utilizando árvores de comportamento na Unreal Engine. Avaliou-se sua aderência às boas práticas de engenharia de software, comparada à máquina de estados finitos, técnica tradicionalmente usada para controle de comportamento em jogos. O objetivo foi desenvolver e analisar uma inteligência artificial (IA) para NPCs na Unreal Engine, empregando Behavior Trees, e avaliar sua aderência às boas práticas de engenharia de software em comparação com máquinas de estados finitos. A metodologia aplicada e quantitativa envolveu o levantamento de requisitos funcionais e não funcionais, a modelagem de comportamentos de patrulha e perseguição, e a criação de um protótipo funcional na Unreal Engine 5.7.4. Foram realizados testes de desempenho e uma avaliação comparativa das boas práticas de engenharia de software entre as abordagens. Os testes de funcionalidade indicaram que ambas as abordagens foram efetivas. Em termos de desempenho computacional, a Behavior Tree demonstrou maior fluidez (FPS) e menor consumo de recursos (tempo de quadro, GPU e memória) na maioria dos cenários, além de maior estabilidade. Na avaliação de boas práticas de engenharia de software, a Behavior Tree destacou-se em modularidade, escalabilidade e organização, enquanto a máquina de estados finitos apresentou melhor tempo médio de detecção inicial. Concluiu-se que é viável criar IA para NPCs com boas práticas de engenharia de software na Unreal Engine. A Behavior Tree ofereceu uma arquitetura mais modular, flexível e escalável, alinhada aos princípios de engenharia de software, embora a escolha da técnica ideal dependa do contexto e dos objetivos específicos do projeto.

Palavras-chave: Agentes autônomos; Engenharia de software; Jogos digitais; Máquina de estados finitos.

1. Introdução

Os Non-Playable Characters (NPCs), ou personagens não jogáveis, representam elementos cruciais em jogos digitais. Controlados pelo computador, esses personagens atuam como inimigos, aliados ou figurantes, realizando atividades cotidianas e reagindo ao ambiente de forma autônoma. Essa autonomia é fundamental para criar uma experiência de jogo imersiva, interativa e desafiadora para o jogador (Rogers, 2013).

Para que os NPCs funcionem de maneira autônoma e reativa, é indispensável o desenvolvimento de um sistema de inteligência artificial (IA) eficaz. A criação de uma boa IA exige o alinhamento dos requisitos do jogo com os comportamentos desejados e a seleção do algoritmo apropriado para sua implementação (Millington, 2019). Neste contexto, surge a demanda por abordagens que permitam estruturar a IA de forma profissional e alinhada às boas práticas de engenharia de software.

No universo do desenvolvimento de jogos, a Unreal Engine se destaca como um software gratuito e acessível, oferecendo recursos robustos para a criação de IA para personagens não jogáveis. Entre suas ferramentas, as Behavior Trees (BT) permitem organizar a lógica comportamental em um fluxo ramificado, utilizando um “Blackboard” para armazenar e gerenciar os dados de tomada de decisão (Epic Games, 2025). Em paralelo, a Finite State Machine (FSM) é outra técnica amplamente utilizada para IA, controlando o NPC por meio de estados e transições baseadas em condicionais (Bourg e Seemann, 2004).

Apesar da popularidade de ambas as técnicas, a escolha da abordagem mais adequada para o desenvolvimento de IA em NPCs, especialmente em relação à aderência aos princípios de engenharia de software, ainda é um ponto de investigação relevante. Existe uma necessidade de demonstrar como a utilização de ferramentas como as Behavior Trees pode otimizar a organização estrutural, a manutenibilidade e a escalabilidade no desenvolvimento de NPCs, em comparação com implementações mais simples baseadas em máquinas de estados finitos.

Este trabalho justifica-se pela relevância de explorar e comparar essas abordagens, visando fornecer subsídios para o desenvolvimento de inteligência artificial em jogos digitais que sejam eficientes e alinhados aos princípios de engenharia de software. Assim, este trabalho tem como objetivo desenvolver e analisar uma IA para NPCs na Unreal Engine através do sistema de Behavior Trees, avaliando sua aplicação e sua aderência às boas práticas de engenharia de software.

2. Material e Métodos

A presente pesquisa caracterizou-se como aplicada, de natureza quantitativa e exploratória, com o objetivo de desenvolver e avaliar abordagens para implementação de inteligência artificial em personagens não jogáveis (NPCs) na Unreal Engine. A pesquisa aplicada focou na resolução de problemas reais, utilizando o conhecimento teórico para o desenvolvimento de soluções práticas (Andrade, 2012). A metodologia foi estruturada em etapas sequenciais para garantir a abrangência do estudo.

Inicialmente, realizou-se um mapeamento da literatura para identificar trabalhos relacionados a árvores de comportamento, máquinas de estados finitos, inteligência artificial, Unreal Engine e Behavior Trees. A pesquisa incluiu livros clássicos como “Level Up: Um Guia Para O Design De Grandes Jogos” (Rogers, 2013), “AI for Games” (Millington, 2019) e “Engenharia de Software: Uma Abordagem Profissional” (Pressman, 2016), além de artigos científicos no Google Scholar e IEEE Xplore.

Os termos-chave utilizados na busca foram “unreal engine”, “NPC”, “Behavior Trees”, “NPC and Unreal Engine”, “Behavior Trees Unreal Engine”, “finite state machine” e “FSM”. Como critérios de inclusão, consideraram-se publicações de artigos recentes, com menos de cinco anos, e livros relevantes e consolidados nas áreas de engenharia de software e desenvolvimento de jogos digitais.

A etapa de levantamento e análise de requisitos envolveu a identificação dos comportamentos esperados para um NPC em um jogo básico. Optou-se por restringir a implementação aos comportamentos de patrulha e perseguição, considerados suficientes para validar os modelos de tomada de decisão dentro do tempo disponível para o projeto.

Os requisitos funcionais definiram as ações que o NPC deveria executar: patrulhar o cenário, detectar o jogador por meio do sistema de percepção, iniciar uma perseguição ao detectar o jogador e retornar à patrulha caso perdesse o alvo. Os requisitos não funcionais focaram na qualidade e organização da solução, incluindo a implementação da IA com Behavior Trees, aderência a boas práticas de modularidade e baixo acoplamento, facilidade de manutenção e extensão do sistema, e utilização do NavMesh da Unreal Engine para navegação.

A modelagem da inteligência artificial do NPC buscou simular um comportamento simples e funcional, capaz de interagir dinamicamente com o jogador. A lógica de funcionamento do NPC foi definida por meio de um diagrama de atividades, que representou os estados principais de patrulha e perseguição, servindo como base para as transações entre comportamentos.

O fluxo de funcionamento da IA foi concebido para que o NPC iniciasse em patrulha, deslocando-se pelo mapa através do NavMesh. Durante a patrulha, o sistema de percepção monitorava a presença do jogador. Ao detectar o jogador, uma variável no Blackboard era atualizada, fazendo com que a árvore de comportamento executasse o ramo de perseguição. Se o jogador deixasse de ser detectado, a variável era atualizada novamente, e o NPC retornava ao comportamento de patrulha.

Para a implementação, adotaram-se boas práticas de engenharia de software, como a separação de responsabilidades entre tarefas e serviços da Behavior Tree, o uso de variáveis parametrizáveis no Blackboard e o baixo acoplamento entre os componentes. A IA foi implementada utilizando recursos nativos da Unreal Engine 5.7.4, por meio do sistema visual de scripts Blueprint, sem uso de código C++.

Os componentes utilizados incluíram o Blueprint AI Controller, responsável por controlar as ações do NPC; a Behavior Tree, para organizar a tomada de decisões; o Blackboard, para armazenar e gerenciar dados relevantes; o AI Perception, que simulou o sentido de visão do NPC; e o NavMesh, para permitir a navegação eficiente do NPC no ambiente. Um diagrama de classes em UML foi elaborado para evidenciar a estrutura e os relacionamentos entre esses componentes.

O protótipo funcional foi desenvolvido na Unreal Engine 5.7.4 em um ambiente computacional com especificações de hardware que incluíam placa-mãe B550M DS3H AC, processador AMD Ryzen 5 5500, placa de vídeo NVIDIA GeForce RTX 3050 6 GB GDDR6, 16 GB de memória RAM e armazenamento em SSD M.2 2280 NVMe PCIe Gen4x4 de 512 GB. O sistema operacional utilizado foi Windows 11 Pro 64 bits, versão 25H2, com suporte a DirectX 12, e o ambiente de desenvolvimento contou com o Visual Studio Community 2022.

Para a construção do protótipo, utilizaram-se assets gratuitos do criador Kenney, dos pacotes Animated Characters Survivors e Retro, para criar três personagens distintos. Um personagem representou o jogador, com animações e comandos de locomoção, agachar, pular e atacar. Os outros dois personagens foram NPCs, um controlado por Behavior Tree e outro por máquina de estados finitos, ambos com o componente AI Perception configurado com os mesmos parâmetros para detecção do jogador.

O cenário do protótipo foi um nível simples, construído com objetos geométricos padrão da Unreal Engine para simular obstáculos e permitir a navegação dos personagens. Um NavMesh Bounds Volume foi inserido para configurar a navegação baseada em NavMesh. Os testes foram executados em monitor com resolução de 1920 x 1080 pixels, utilizando o Play in Viewport do editor Unreal Engine.

Os testes foram definidos para uma análise comparativa das abordagens implementadas, avaliando o comportamento dos NPCs, o desempenho da aplicação e a qualidade da solução. As métricas incluíram a eficiência de detecção do jogador (tempo médio para encontrar o jogador), a taxa de sucesso na detecção (capacidade de detectar o jogador em até 30 segundos) e a eficácia em perseguição (taxa de sucesso em capturas).

O desempenho computacional foi mensurado em termos de frames por segundo (FPS), tempo de frame em milissegundos (ms), tempo de renderização da Graphics Processing Unit (GPU) em ms e uso de memória, para cenários com um, cinco e dez NPCs simultaneamente. As boas práticas em engenharia de software foram avaliadas por critérios objetivos como modularidade, modificabilidade, escalabilidade, reutilização e organização do código, com indicadores mensuráveis para comparação entre as implementações.

A realização de dez execuções para cada condição experimental foi estabelecida para observar a variabilidade dos resultados e permitir a comparação entre as implementações. A coleta de dados foi automatizada pela Unreal Engine, por meio de temporização em Blueprint e logs gerados automaticamente. Para dados de desempenho, realizou-se captura manual da tela aos sessenta segundos de execução, descartando capturas antecipadas ou posteriores.

Como suporte ao desenvolvimento, utilizaram-se ferramentas baseadas em inteligência artificial, como ChatGPT, Claude e Assistente de Desenvolvedor da Epic para Unreal Engine, para auxiliar no esclarecimento de dúvidas e revisão textual. Tutoriais técnicos e materiais oficiais da Unreal Engine e do YouTube também foram consultados como apoio prático durante a implementação.

3. Resultados e Discussão

O levantamento bibliográfico realizado no presente estudo proporcionou uma compreensão aprofundada das técnicas de inteligência artificial aplicadas a jogos digitais, permitindo a identificação das características, vantagens e limitações das abordagens baseadas em árvores de comportamento e em máquinas de estados finitos. Essa etapa foi crucial para contextualizar a pesquisa e fundamentar a análise comparativa das implementações desenvolvidas, alinhando-se aos princípios estabelecidos por Millington (2019) sobre a criação de IA eficaz.

A Inteligência Artificial Utilizada em Jogos

Desenvolvedores de jogos buscam construir algoritmos de inteligência artificial que conferem realismo aos personagens, mimetizando comportamentos humanos e aplicando as ferramentas mais adequadas ao design dos personagens. É um erro comum supor que uma IA mais complexa resultará em um personagem superior; na verdade, uma IA simples e bem-feita pode ser percebida como mais inteligente pelo jogador (Millington, 2019). A chave reside em alinhar os requisitos do jogo com os comportamentos desejados e o algoritmo apropriado para sua produção.

A máquina de estados finitos (FSM) é um modelo abstrato que assume estados distintos e predefinidos, com condições que determinam as transições entre eles. Embora seja uma técnica antiga, sua simplicidade de compreensão, implementação e depuração a mantém relevante em jogos modernos. Geralmente, a FSM armazena todos os dados de uma entidade em uma única classe ou estrutura, que define o estado atual da IA e, consequentemente, seu comportamento (Bourg e Seemann, 2004).

A estrutura básica da FSM é bastante flexível, permitindo diversas implementações. Em sua forma mais elementar, o algoritmo requer pouca memória, apenas para armazenar o estado atual e processar as transações correspondentes (Millington, 2019). Essa característica contribui para sua popularidade em cenários onde a simplicidade e a rapidez de implementação são prioritárias, apesar de suas limitações em contextos mais complexos.

A arquitetura de árvore de comportamento (BT) ganhou popularidade na criação de inteligência artificial para personagens, sendo utilizada em jogos como Halo 2, lançado em 2004, e subsequentemente adotada por muitos outros títulos (Millington, 2019). O componente principal de uma árvore de comportamento é a tarefa, que pode variar de uma leitura de variável a uma animação complexa, organizando a lógica comportamental de forma hierárquica e modular.

Segundo Millington (2019), as tarefas simples em uma BT são classificadas em três tipos: condições, que testam propriedades do jogo e retornam sucesso ou falha; ações, que alteram estados, controlam animações, áudio e movimentação; e composições, que decidem a ordem e execução das tarefas, como “Selector” e “Sequence”. Os seletores escolhem a primeira ação bem-sucedida, enquanto as sequências garantem a execução de uma série de tarefas necessárias, permitindo a criação de comportamentos sofisticados.

A árvore de comportamento adota uma forma de planejamento reativo, exigindo que todas as ações possíveis do NPC sejam adicionadas manualmente. Para evitar a previsibilidade e tornar a IA mais interessante, é possível incorporar variações nos seletores e sequências, permitindo que os filhos sejam executados em ordem aleatória (Millington, 2019). Essa flexibilidade é um diferencial importante para criar experiências de jogo mais dinâmicas e menos repetitivas.

Desempenho e Eficiência dos NPCs

O primeiro teste avaliou a eficiência de detecção do jogador, medindo o tempo entre o início da patrulha do NPC e a identificação do jogador pelo sistema de percepção. O modelo baseado em máquina de estados finitos (NPC FSM) apresentou um tempo médio de detecção de 29 segundos, com desvio padrão de 35,9 segundos. Em contraste, o modelo baseado em árvore de comportamento (NPC BT) registrou uma média de 46,1 segundos, com desvio padrão de 35,6 segundos. Embora o NPC FSM tenha sido mais rápido na detecção inicial, ambos os modelos exibiram alta variabilidade, sugerindo que a escolha aleatória dos pontos de patrulha influenciou significativamente o tempo de detecção.

A elevada dispersão nos resultados, com desvios-padrão semelhantes para ambos os modelos, indica que o comportamento dos agentes variou consideravelmente entre as execuções, não estabelecendo um padrão de desempenho uniforme. A navegação na Unreal Engine, que utiliza o sistema NavMesh para cálculo de rotas e processamento de malhas de navegação, pode impactar tanto o custo computacional quanto a complexidade das trajetórias (Zhang, 2025). Apesar das diferenças, ambos os modelos cumpriram o objetivo de detectar o jogador e iniciar a perseguição.

O segundo teste, focado na taxa de sucesso na detecção do jogador em até 30 segundos, reforçou a tendência observada no primeiro teste. O NPC FSM alcançou uma taxa de sucesso de 80%, enquanto o NPC BT obteve 40%. Esse resultado é consistente com o menor tempo médio de detecção do NPC FSM, indicando que, no cenário avaliado, a lógica de decisão da máquina de estados finitos favoreceu a localização do jogador dentro do tempo limite estabelecido. Contudo, é fundamental ressaltar que esses resultados são específicos do cenário e da implementação deste trabalho, não permitindo generalizações para todos os contextos.

O terceiro teste avaliou a eficácia do comportamento de perseguição, considerando a capacidade do NPC de alcançar o jogador. O NPC BT demonstrou desempenho superior, com uma taxa média de sucesso de 57% e desvio padrão de 19,9%, em comparação com o NPC FSM, que obteve 22,8% de sucesso e desvio padrão de 22,17%. O NPC BT também apresentou uma média de 2,7 alcances por execução, contra 0,7 do NPC FSM, evidenciando maior efetividade na conclusão da perseguição.

Em relação às fugas por execução, ambos os modelos apresentaram médias semelhantes, com o NPC BT registrando 2,3 fugas e o NPC FSM, 2,2 fugas. Embora o NPC FSM tenha exibido um desvio-padrão ligeiramente menor nas fugas, as médias próximas indicam que ambos os modelos geraram uma quantidade similar de eventos de fuga. Essa complementaridade de desempenho, onde o NPC FSM se destacou na detecção inicial e o NPC BT na perseguição, sugere que a escolha da arquitetura ideal depende da tarefa específica a ser executada.

A utilização exclusiva de árvores de comportamento pode apresentar limitações na resposta a eventos externos específicos, conforme apontado por Millington (2019), que sugere a combinação de BT com máquinas de estados ou a implementação de tarefas que simulem comportamentos orientados a estados em tais cenários. Essa perspectiva reforça que a decisão entre BT e FSM deve considerar não apenas o desempenho quantitativo, mas também o tipo de comportamento esperado e o nível de controle necessário sobre as transições do agente.

No teste de desempenho computacional com um NPC ativo, o modelo baseado em árvore de comportamento (NPC BT) demonstrou melhor desempenho. O NPC BT obteve uma média de 79,3 FPS, tempo médio por quadro de 12,57 ms, tempo de processamento na GPU de 9,39 ms e consumo de memória de 1,69 GB. Em contraste, o NPC FSM registrou 65,3 FPS, 14,75 ms por quadro, 10,27 ms na GPU e 2,39 GB de memória. O NPC BT também apresentou menores desvios-padrão em todas as métricas, indicando maior estabilidade na execução.

Com cinco NPCs ativos, o modelo NPC BT manteve seu desempenho computacional superior, com média de 79,7 FPS, 12,59 ms por quadro, 9,06 ms na GPU e 1,63 GB de memória. O NPC FSM, por sua vez, registrou 65,6 FPS, 14,94 ms por quadro, 9,36 ms na GPU e 2,17 GB de memória. Os desvios-padrão confirmaram a maior estabilidade do NPC BT, com exceção do consumo de memória, onde a diferença foi pouco significativa. Esses resultados indicam que o NPC BT manteve um custo computacional menor e um comportamento mais estável mesmo com o aumento da quantidade de agentes.

No cenário com dez NPCs ativos, ambos os modelos apresentaram uma redução na taxa média de quadros por segundo, o que é esperado devido ao aumento da carga computacional. Ainda assim, o NPC BT manteve uma média de 72,6 FPS e um tempo médio por quadro de 13,73 ms, enquanto o NPC FSM registrou 67,0 FPS e 14,69 ms por quadro. Em termos de consumo de memória, o BT continuou a utilizar menos recursos (1,56 GB) do que o FSM (2,62 GB), mantendo também menor variabilidade.

No entanto, no cenário com dez NPCs, o NPC FSM apresentou um menor tempo médio de processamento na GPU (8,51 ms) e um desvio-padrão inferior nessa métrica, sugerindo que, com um maior número de agentes simultâneos, parte do processamento gráfico associado ao FSM se tornou relativamente mais eficiente. Apesar dessa vantagem específica, o desempenho geral do BT permaneceu superior nas demais métricas analisadas, reforçando a importância de uma avaliação multidimensional do desempenho, que considera não apenas o número de agentes, mas também as métricas específicas.

Avaliação das Boas Práticas de Engenharia de Software

A avaliação das boas práticas de engenharia de software foi realizada por meio da inspeção dos artefatos das implementações, considerando a organização dos Blueprints, a distribuição de responsabilidades, a modularidade, o grau de dependência, a possibilidade de reutilização e o impacto da inclusão de novos comportamentos. Os critérios foram baseados nas características de qualidade da ISO/IEC 25010:2023, como manutenibilidade, reusabilidade e modificabilidade, e nos princípios de projeto de software de Pressman (2016), que abordam modularidade, separação de responsabilidades, coesão e acoplamento.

Em termos de modularidade, a árvore de comportamento obteve pontuação máxima, demonstrando maior modularidade devido à distribuição de suas decisões em arquivos independentes. Isso permite isolamento funcional e menor acoplamento entre comportamentos. Cada comportamento na BT ocupa seu próprio artefato, resultando em cinco arquivos com responsabilidade única. Na FSM, a lógica se concentra em fluxos condicionais dentro de um único Blueprint, com aproximadamente 21 nós, o que reduz a flexibilidade modular e a clareza estrutural.

Quanto à modificabilidade, ambas as abordagens receberam pontuação equivalente, pois a alteração de comportamentos existentes ou a adição de novos exige modificações estruturais. Na BT, a inclusão de um novo comportamento requer a criação de uma nova tarefa ou serviço e sua inserção na árvore. Na FSM, é necessário incluir o novo estado no Enum e modificar a lógica no Blueprint AI Controller. Essa característica está alinhada com a literatura, que aponta que FSMs “hard-coded” se tornam difíceis de manter e complexas à medida que crescem (Millington, 2019).

A escalabilidade da árvore de comportamento demonstrou ser uma vantagem significativa, permitindo a adição de novos comportamentos por meio de subárvores sem a necessidade de reestruturação substancial do sistema. O crescimento funcional ocorre pela adição ou combinação de componentes, minimizando alterações nos componentes existentes. Essa característica é crucial à medida que a quantidade e a complexidade dos comportamentos dos NPCs aumentam, alinhando-se aos princípios de engenharia de software de Pressman (2016) sobre modularidade e organização de responsabilidades.

Na máquina de estados finitos, a inclusão de novos comportamentos expande o código no mesmo arquivo, exigindo blocos de comentários para identificar cada grupo de nós e aumentando rapidamente a complexidade do grafo de estados, impactando a legibilidade do Blueprint. Essa conclusão está relacionada à arquitetura implementada neste trabalho e não implica que as árvores de comportamento sejam universalmente superiores em escalabilidade, mas destaca a importância da distribuição de responsabilidades e dos mecanismos de composição utilizados na implementação.

Ambas as abordagens apresentaram capacidade de reutilização de componentes, recebendo pontuação equivalente. Na FSM, o AI Controller permite associar a mesma implementação a diferentes personagens, com variações obtidas por parametrização ou especialização de classe. Na Behavior Tree, a reutilização ocorre por meio de tarefas e serviços independentes, que podem ser empregados em diferentes árvores e personagens, conforme descrito por Millington (2019), permitindo a composição e instanciamento de comportamentos a partir de tarefas predefinidas.

Em relação à organização, a árvore de comportamento apresentou maior organização estrutural devido à separação explícita entre os componentes de tomada de decisão e os de execução. Essa organização reflete o princípio de separação de responsabilidades, onde diferentes elementos possuem funções específicas. Na FSM analisada, a maior parte da lógica está concentrada no Blueprint AI Controller, resultando em um grafo mais extenso e visualmente denso à medida que novos comportamentos são incorporados, dificultando a identificação da estrutura.

Os resultados obtidos estão alinhados com trabalhos correlatos, que demonstram a Behavior Tree como uma abordagem segura e flexível para a organização de comportamentos estruturais hierárquicos em engines de jogos, permitindo alternância controlada e extensibilidade (Ferreira e Kishimoto, 2024). A escolha de arquiteturas de software impacta diretamente os custos produtivos, pois sistemas com alto acoplamento entre componentes geram maiores custos de manutenção (MacCormack e Sturtevant, 2016). A reusabilidade, flexibilidade e extensibilidade são requisitos recorrentes na arquitetura de mecânicas de jogos, e arquiteturas modulares reduzem o esforço de desenvolvimento (Mizutani et al., 2021).

Em síntese, a árvore de comportamento, ao distribuir responsabilidades em artefatos independentes e desacoplar dados via Blackboard, apresenta características arquiteturais alinhadas às boas práticas que a literatura associa à redução de custos de manutenção e à maior capacidade de evolução do sistema a longo prazo. A máquina de estados finitos, por sua vez, oferece simplicidade e facilidade de implementação e depuração, sendo adequada para cenários mais simples com número limitado de estados e transições (Premoli e Silva, 2024). A escolha da técnica ideal, portanto, depende dos objetivos específicos do jogo e do contexto de desenvolvimento (Valadares e Ribeiro, 2022).

4. Conclusão

O presente estudo buscou desenvolver e analisar uma inteligência artificial para personagens não jogáveis (NPCs) na Unreal Engine, empregando o sistema de Behavior Trees, e avaliar sua aderência às boas práticas de engenharia de software em comparação com máquinas de estados finitos. Verificou-se que ambas as abordagens foram eficazes na implementação dos comportamentos de patrulha e perseguição. Contudo, observou-se um desempenho complementar: a máquina de estados finitos demonstrou maior rapidez na detecção inicial do jogador, enquanto a Behavior Tree apresentou maior efetividade na conclusão da perseguição. Em termos de desempenho computacional, a Behavior Tree geralmente exibiu maior fluidez e menor consumo de recursos, além de maior estabilidade, embora a máquina de estados finitos tenha mostrado um tempo de processamento de GPU ligeiramente inferior em cenários com maior número de agentes. A análise das boas práticas de engenharia de software revelou que a Behavior Tree se destacou em modularidade, escalabilidade e organização, oferecendo uma arquitetura mais alinhada aos princípios de engenharia de software, com distribuição de responsabilidades e menor acoplamento. A principal contribuição deste trabalho reside na demonstração da viabilidade de criar IA para NPCs com boas práticas de engenharia de software na Unreal Engine, fornecendo subsídios para a escolha da arquitetura mais adequada conforme os objetivos do projeto.

Ressalta-se que os testes foram conduzidos em um ambiente controlado, com um número limitado de execuções e um cenário simplificado, o que restringe a generalização dos resultados para todos os contextos de desenvolvimento de jogos. Para estudos futuros, sugere-se a expansão do protótipo com a inclusão de comportamentos adicionais, como ataque e recebimento de dano. Recomenda-se também a realização de testes em cenários mais complexos e com um maior número de execuções, a fim de ampliar a validade dos achados. Adicionalmente, a inclusão de outros modelos de inteligência artificial para uma comparação mais abrangente pode enriquecer a compreensão sobre a aplicação dessas técnicas.

Referências Bibliográficas

ANDRADE, M. M. de. 2012. Introdução à metodologia do trabalho científico: elaboração de trabalhos na graduação, 10ª edição. Rio de Janeiro: Atlas. E-book. p.112. ISBN 9788522478392. Disponível em: https://app.minhabiblioteca.com.br/reader/books/ 9788522478392/. Acesso em: 07 fev. 2026.

BOURG, D. M.; SEEMANN, G. 2004. Al for game developers. Beijing; Cambridge: O’reilly

EPIC GAMES. 2025.Unreal Engine 5. Disponível em: <https://www.unrealengine.com/pt-BR/ unreal-engine-5 >. Acesso em: 23 out. 2025.

FERREIRA, J. V. P; KISHIMOTO. 2024 A. Aplicação de Behavior Tree para IA de NPCs inimigos em jogos de survival horror. Trabalho de Conclusão de Curso. Faculdade de Computação e Informática, Universidade Presbiteriana Mackenzie, São Paulo, SP, Brasil. Disponível em: https://dspace.mackenzie.br/items/8ebf626d-9ddc-4ea4-8796-5137c4b334e0 Acesso em: 03 jan. 2026.

INTERNATIONAL ORGANIZATION FOR STANDARDIZATION. 2023. ISO/IEC 25010:2023: Systems and software engineering — Systems and Software Quality Requirements and Evaluation (SQuaRE) Product quality model. Geneva: ISO. Disponível em: https://www.iso.org/standard/78176.html Acesso em: 10 mar 2026

MACCORMACK, A.; STURTEVANT, D. J. 2016. Technical debt and system architecture. In: Journal of Systems and Software. 2016. Boston, Miami, Estados Unidos. v. 120, p. 257–273. Disponível em: https://www.hbs.edu/ris/Publication%20Files/2016-JSS%20Technical%20Debt_d793c712-5160-4aa9-8761-781b444cc75f.pdf Acesso em: 10 mar 2026

MILLINGTON, I. 2019. Artificial Intelligence for Games. 3ed. CRC Press, Reino Unido.

MIZUTANI, W. K.; DAROS, V. K.; KON, F. 2021. Software architecture for digital game mechanics: a systematic literature review. In: Entertainment Computing, v. 38, 100421, 2021. Disponível em: https://doi.org/10.1016/j.entcom.100421. Acesso em: 10 mar 2026

PREMOLI, Breno de Oliveira; SILVA, Victor Amaral. 2024. Estudo sobre o comportamento de npcs e inimigos em jogos digitais utilizando a inteligência artificial. Trabalho de Conclusão de Curso em Tecnólogo em Análise e Desenvolvimento de Sistemas. Faculdade de Tecnologia de Presidente Prudente, Presidente Prudente, SP. Brasil Disponivel em: https://ric.cps.sp.gov.br/handle/123456789/23495. Acesso em: 03 jan. 2026

PRESSMAN, R. S. 2016. Engenharia de Software: Uma Abordagem Profissional. McGraw Hill, Porto Alegre, PR, Brasil.

ROGERS, S. 2013. Level Up Um Guia Para O Design De Grandes Jogos. Blucher, São Paulo, SP, Brasil.

VALADARES, Gabriel Pacini O.; RIBEIRO, Marcos Wagner S.. Técnicas de Inteligência Artificial na Criação de Personagens Não Jogáveis: uma Revisão de Literatura. In: TRILHA DE

ZHANG, J. 2025 Implementation and Research of Artificial Intelligence Characters Based on Unreal Engine 5. Asia-Europe Conference on Cybersecurity, Internet of Things and Soft Computing (CITSC), Rimini, Italy, 2025. p. 73-77. Disponível em: https://ieeexplore.ieee.org/document/10936510. Acesso em: 03 jan. 2026.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Engenharia de Software do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

Você também pode gostar

17 de novembro de 2026

Deteção e Diagnóstico de Doenças em Milho e Arroz em Moçambique com Deep Learning

A agricultura moçambicana depende do milho e arroz, culturas fundamentais para a segurança alimentar, mas sua produtividade é fortemente afetada por doenças fitossanitárias, cuja identificação precoce e precisa permanece um desafio em contextos de recursos limitados. O estudo objetivou desenvolver e comparar modelos baseados em Deep Learning para a detecção e o diagnóstico automático de doenças em folhas de milho e arroz em Moçambique. Utilizaram-se três abordagens: uma Rede Neural Convolucional (CNN) clássica desenvolvida do zero, e dois modelos de transfer learning, ResNet50 e MobileNetV2. O conjunto de dados foi composto por imagens de bases públicas e coletadas em campo, que passaram por etapas de limpeza, balanceamento e aumento artificial. Os modelos foram treinados e avaliados com métricas de desempenho padrão, incluindo acurácia, precisão, recall, F1-score, Log Loss e Kappa de Cohen. A CNN clássica apresentou o melhor desempenho global, com 94% de precisão, recall e F1-score, e 93% de acurácia e Kappa de Cohen. A MobileNetV2 alcançou 91% de F1-score e 90% de acurácia, destacando-se pelo menor Log Loss (0,30) e tempo de treinamento (6h32min59s). A ResNet50 atingiu 80% de F1-score e 79% de acurácia. Concluiu-se que técnicas de Deep Learning possuem elevado potencial para apoiar o diagnóstico fitopatológico em contextos agrícolas reais, contribuindo para decisões mais rápidas e precisas no manejo de doenças em milho e arroz.

Palavras-chave: Aprendizagem profunda; Arroz; Doenças em plantas; Milho; Visão computacional.

17 de novembro de 2026

Estruturação do processo de encerramento de projetos de uma indústria da construção civil

Um estudo abordou o grupo de processo de encerramento de projetos em uma indústria de manufatura da construção civil, utilizando o guia PMBOK como referência principal. O processo existente na indústria apresentava superficialidade e fragilidades, especialmente no registro de lições aprendidas. Diante desse cenário, o objetivo foi desenvolver um procedimento para o encerramento de projetos da organização, visando agregar valor por meio da padronização do processo, registro do conhecimento adquirido, formalização da conclusão e entrega dos projetos, e aprimoramento da comunicação, engajamento, integração e transparência com os stakeholders. A pesquisa classificou-se como descritiva, empregou dados qualitativos e adotou a pesquisa-ação como delineamento. O escopo do estudo estruturou-se conforme os cinco grupos de processos do guia PMBOK e foi representado por uma Estrutura Analítica de Projeto (EAP). Os principais resultados obtidos incluíram o procedimento desenvolvido e diversos templates de documentos, que constituíram os entregáveis do novo processo de encerramento de projetos. Verificou-se que o trabalho alcançou o objetivo esperado, pois o procedimento desenvolvido viabilizou a padronização do encerramento de projetos, o aprimoramento da integração e engajamento com os stakeholders, e a promoção de segurança e transparência no processo.

Palavras-chave: Gestão do conhecimento; Lições aprendidas; PMBOK; Templates; Termo de aceite de projeto.

17 de novembro de 2026

Machine Learning e priorização de funcionalidades em produtos digitais: um estudo de caso em uma fintech

Uma análise investigou o potencial da utilização de técnicas de machine learning aplicadas à análise do comportamento dos usuários na priorização de funcionalidades em produtos digitais. O objetivo foi compreender os processos de priorização utilizados na prática, o papel dos dados comportamentais na tomada de decisão e as percepções sobre a aplicação de técnicas de machine learning nesse contexto. Adotou-se uma abordagem qualitativa e exploratória, estruturada como um estudo de caso em produtos desenvolvidos sob o modelo Software as a Service (SaaS). A coleta de dados realizou-se por meio de entrevistas semiestruturadas com profissionais das áreas de produto e de dados. A análise dos dados seguiu a técnica de análise de conteúdo. Os resultados indicaram que, embora os dados comportamentais já fossem utilizados como apoio à decisão, os processos de priorização ainda apresentavam baixa formalização e enfrentavam limitações técnicas e organizacionais. Observou-se, também, o reconhecimento do potencial do machine learning como suporte estratégico à priorização de funcionalidades, embora sua aplicação prática fosse incipiente. Como principal contribuição, o estudo propôs um modelo conceitual que integra dados comportamentais, processos de priorização e o uso de machine learning como suporte à decisão.

Palavras-chave: Análise de dados; Comportamento do usuário; Dados comportamentais; Software as a Service (SaaS); Tomada de decisão.

17 de novembro de 2026

Inteligência artificial nas rotinas operacionais contábeis e na eficiência financeira

A incorporação de Inteligência Artificial (IA) e de ferramentas de automação reconfigurou as rotinas de escritórios contábeis brasileiros, impactando produtividade, mitigação de erros e eficiência financeira. Analisou-se esses impactos em um escritório contábil de pequeno porte, especializado no atendimento a prestadores de serviços da área médica em São Caetano do Sul, São Paulo. A pesquisa adotou abordagem qualitativa, com delineamento de estudo de caso único e unidades de análise incorporadas. Os dados foram coletados por questionário estruturado, aplicado via Google Forms entre janeiro e fevereiro de 2026, a cinco profissionais da estrutura operacional do escritório em levantamento censitário. O tratamento seguiu análise de conteúdo com categorias a priori e emergentes. Todos os respondentes declararam uso de ferramentas automatizadas ou com recursos de IA. A percepção de redução do tempo de execução, de diminuição de erros operacionais, de retrabalho e de melhor aproveitamento do tempo da equipe convergiu em 80% das respostas afirmativas e 20% parciais. As atividades mais beneficiadas foram conciliação bancária, importação de documentos fiscais e apuração tributária, com ganhos visíveis sobre erros de digitação, lançamentos duplicados e classificação incorreta. A intervenção humana permaneceu indispensável em planejamento tributário, análise de cenários e conferência de obrigações acessórias. A avaliação geral da contribuição da IA foi predominantemente favorável, com moderação vinculada à complexidade normativa fiscal.

Palavras-chave: Análise de conteúdo; Automação de processos; Contabilidade 4.0; Pequeno porte; Transformação digital.

17 de novembro de 2026

Fatores que influenciam a gestão de prazos em projetos de “retrofit” de estações de esgoto

Projetos de “retrofit” em Estações de Tratamento de Esgoto (ETE) caracterizam-se por elevada complexidade, restrições operacionais e múltiplas interfaces técnicas. O estudo analisou a percepção dos profissionais envolvidos sobre a gestão e o cumprimento dos prazos em projetos de “retrofit” de estações de tratamento de esgoto, considerando fatores técnicos, operacionais e organizacionais. A pesquisa caracterizou-se como um estudo aplicado, com abordagem quali-quantitativa, delineado como levantamento de campo do tipo “survey”. A análise dos dados realizou-se por estatística descritiva e categorização qualitativa, utilizando as ferramentas SWOT, matriz de risco (Probabilidade x Impacto) e plano de ação 5W2H. Os resultados indicaram alta percepção de clareza (77,8%) e realismo dos prazos (100% de concordância), evidenciando um planejamento inicial consistente. Contudo, 77,7% dos respondentes apontaram que retrabalhos e alterações de escopo impactaram diretamente o cumprimento dos prazos. A integração entre engenharia, fabricação e Planejamento e Controle da Produção (PCP) apresentou avaliação intermediária (77,7% de concordância parcial/total), indicando fragilidade na coordenação interfuncional. A matriz de risco destacou como críticos: mudanças de escopo, limitações operacionais da ETE e complexidade técnica, todos com nível alto. Como melhoria central, propôs-se a padronização do controle de mudanças de escopo, análise e aprovação, visando reduzir retrabalhos e aumentar a previsibilidade do cronograma.

Palavras-chave: Desempenho; Integração; Planejamento; Retrabalho; Risco.

17 de novembro de 2026

Captação B2C em medicina diagnóstica: parcerias estratégicas com consultórios médicos especializados

O setor de medicina diagnóstica no Brasil opera com elevada dependência das operadoras de planos de saúde, o que limita a autonomia financeira dos prestadores. Este estudo propôs e analisou um modelo de captação direta de pacientes (B2C) para uma instituição de medicina diagnóstica de alta complexidade, estruturado a partir de parcerias com consultórios de Oncologia e Cardiologia e operacionalizado por um serviço de atendimento personalizado denominado concierge. A investigação adotou abordagem mista em três fases: levantamento de campo com questionário estruturado aplicado a 87 pacientes, mapeamento do fluxo operacional por “Service Blueprint” e análise da taxa de conversão a partir de 312 indicações médicas registradas no projeto-piloto. Os resultados indicaram que a confiança na indicação médica obteve 92,0% de concordância, configurando-se como principal fator de adesão. A conveniência de realizar o exame no mesmo dia alcançou 78,2%, e a disposição para pagamento direto atingiu 55,2%, com polarização associada à predominância de usuários de plano de saúde. O “Service Blueprint” identificou três pontos críticos nas transições entre etapas da jornada. A taxa de conversão global foi de 51,0%, com desempenho superior na Oncologia (58,2%) em relação à Cardiologia (45,0%), e a maior perda concentrou-se na etapa de aceite e agendamento (28,3%). Concluiu-se que o modelo demonstrou possível viabilidade operacional e indícios de aceitação pelos pacientes, condicionado à transparência de preços e à redução do intervalo entre consulta e abordagem pelo concierge.

Palavras-chave: Desembolso direto; Jornada do paciente; Saúde suplementar; Serviço concierge; Taxa de conversão.

17 de novembro de 2026

O papel do gestor escolar na promoção de uma cultura inclusiva: liderança e políticas educacionais

A pesquisa analisou a atuação do gestor escolar na promoção de uma cultura inclusiva, considerando a necessidade de transformar diretrizes legais e fundamentos pedagógicos em práticas institucionais efetivas. Partiu-se do pressuposto de que a inclusão escolar exige planejamento, organização e liderança estratégica no cotidiano da escola. Adotou-se uma abordagem qualitativa de natureza aplicada, desenvolvida em três etapas complementares: análise documental das legislações brasileiras sobre educação inclusiva, revisão bibliográfica sobre liderança e gestão escolar, e sistematização dos dados por meio de ferramentas gerenciais como a matriz SWOT e o ciclo PDCA. Os resultados indicaram que a atuação da gestão escolar exerceu influência direta na consolidação de ambientes inclusivos, especialmente na organização de processos, formação continuada da equipe e fortalecimento de uma cultura institucional colaborativa e respeitosa à diversidade. Identificaram-se também desafios estruturais, pedagógicos e relacionais que demandaram intervenções planejadas. Ao final, elaborou-se um Guia Prático para Gestores Escolares, com diretrizes, protocolos e orientações operacionais para a tomada de decisão e organização dos processos inclusivos. Concluiu-se que a construção de uma cultura inclusiva dependeu da capacidade gestora de articular políticas públicas, práticas pedagógicas e processos institucionais, consolidando a inclusão como compromisso permanente no contexto escolar.

Palavras-chave: Acessibilidade educacional; Equidade educacional; Gestão participativa; Planejamento estratégico; Processos institucionais.

17 de novembro de 2026

Um artefato de IA baseado em Design Thinking para apoiar a elicitação de requisitos de software a partir das necessidades dos usuários

O desenvolvimento de software orientado às necessidades dos usuários frequentemente enfrenta desafios na elicitação de requisitos, decorrentes de ambiguidades na linguagem natural e falhas de comunicação. Diante disso, propôs-se e validou-se um artefato inteligente que integra Design Thinking e Inteligência Artificial, com foco nas etapas de Empatia e Definição, para apoiar a coleta, interpretação e estruturação das necessidades dos usuários. A pesquisa, de natureza aplicada, qualitativa e exploratória, conduziu uma Prova de Conceito em ambiente controlado, empregando cenários hipotéticos. O artefato operou por meio de entrevistas guiadas em linguagem natural, organizando informações em elementos como dor, contexto e impacto, e gerando sínteses de problemas rastreáveis. Os resultados indicaram que o sistema organizou relatos não estruturados, reduziu ambiguidades e preservou o sentido das informações originais na maioria dos casos. Observou-se também a capacidade de reorganização lógica em cenários complexos, embora com limitações na separação de múltiplos problemas e dependência das instruções. Concluiu-se que o artefato possui potencial como apoio à elicitação de requisitos, melhorando a clareza e a estruturação das informações, mas requer supervisão e controle contextual.

Palavras-chave: Design Thinking; Elicitação de Requisitos; Engenharia de Requisitos; Inteligência Artificial; Processamento de Linguagem Natural.

17 de novembro de 2026

A Extinção da Sistemática Monofásica na Indústria Farmacêutica à Luz da Reforma Tributária

A Reforma Tributária do consumo, estabelecida pela Emenda Constitucional nº 132/2023, introduziu alterações estruturais no sistema tributário brasileiro, com a substituição do Programa de Integração Social (PIS) e da Contribuição para o Financiamento da Seguridade Social (COFINS) pela Contribuição sobre Bens e Serviços (CBS), em um modelo de Imposto sobre Valor Agregado (IVA dual). O objetivo foi analisar os impactos da extinção da sistemática monofásica na indústria farmacêutica, à luz do novo desenho normativo e de seus efeitos econômicos e jurídicos. Realizou-se pesquisa qualitativa, de natureza exploratória, por meio de estudo de caso e análise documental da legislação e da doutrina especializada. Examinou-se se o fim da monofasia implicaria aumento relevante da carga tributária para o setor. Os resultados indicaram que, embora a superação formal da sistemática monofásica tenha ocorrido, a desoneração material dos medicamentos foi preservada, sobretudo em razão da aplicação de alíquotas reduzidas de 60% e, em determinados casos, de alíquota zero do Imposto Sobre Bens e Serviços (IBS) e da CBS. A mudança de modelo pode provocar variações pontuais na arrecadação, sem caracterizar aumento estrutural da carga tributária, tendendo à neutralidade ao longo do tempo. Concluiu-se, preliminarmente, que a Reforma Tributária reorganizou a técnica de tributação na indústria farmacêutica, substituindo um regime concentrado por mecanismos mais transparentes de desoneração. Essa abordagem mostrou-se compatível com os princípios da neutralidade, da não cumulatividade plena e da extrafiscalidade, mantendo a proteção tributária aos medicamentos essenciais e alinhando a política fiscal ao direito fundamental à saúde.

Palavras-chave: CBS; COFINS; IBS; IVA Dual; PIS.

Inscreva-se em nossa newsletter!

Receba conteúdos e fique sempre atualizado sobre as novidades em gestão, liderança e carreira com a Revista E&S.

Ao preencher o formulário você está ciente de que podemos enviar comunicações e conteúdos da Revista E&S. Confira nossa Política de Privacidade