19 de octubre de 2026
Sistema de inteligencia artificial para personajes no jugables utilizando Behavior Trees en Unreal Engine
Sistema de Inteligencia Artificial para Personajes No Jugadores Utilizando Árboles de Comportamiento en la Unreal Engine
Suzana Lopes de Azevedo; Diego Marques de Carvalho
DOI: 10.22167/2675-6528-202603470
Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.
Resumen
Se desarrolló y analizó un sistema básico de inteligencia artificial para personajes no jugables (NPCs), utilizando árboles de comportamiento en Unreal Engine. Se evaluó su adherencia a las buenas prácticas de ingeniería de software, en comparación con la máquina de estados finitos, técnica tradicionalmente utilizada para el control de comportamiento en juegos. El objetivo fue desarrollar y analizar una inteligencia artificial (IA) para NPCs en Unreal Engine, empleando Behavior Trees, y evaluar su adherencia a las buenas prácticas de ingeniería de software en comparación con máquinas de estados finitos. La metodología aplicada y cuantitativa involucró el levantamiento de requisitos funcionales y no funcionales, el modelado de comportamientos de patrulla y persecución, y la creación de un prototipo funcional en Unreal Engine 5.7.4. Se realizaron pruebas de rendimiento y una evaluación comparativa de las buenas prácticas de ingeniería de software entre los enfoques. Las pruebas de funcionalidad indicaron que ambos enfoques fueron efectivos. En términos de rendimiento computacional, el Behavior Tree demostró mayor fluidez (FPS) y menor consumo de recursos (tiempo de cuadro, GPU y memoria) en la mayoría de los escenarios, además de mayor estabilidad. En la evaluación de buenas prácticas de ingeniería de software, el Behavior Tree se destacó en modularidad, escalabilidad y organización, mientras que la máquina de estados finitos presentó un mejor tiempo medio de detección inicial. Se concluyó que es viable crear IA para NPCs con buenas prácticas de ingeniería de software en Unreal Engine. El Behavior Tree ofreció una arquitectura más modular, flexible y escalable, alineada a los principios de ingeniería de software, aunque la elección de la técnica ideal depende del contexto y de los objetivos específicos del proyecto.
Palabras clave: Agentes autónomos; Ingeniería de software; Juegos digitales; Máquina de estados finitos.
1. Introducción
Los Personajes No Jugables (NPCs), o personajes no jugables, representan elementos cruciales en los juegos digitales. Controlados por la computadora, estos personajes actúan como enemigos, aliados o extras, realizando actividades cotidianas y reaccionando al entorno de forma autónoma. Esta autonomía es fundamental para crear una experiencia de juego inmersiva, interactiva y desafiante para el jugador (Rogers, 2013).
Para que los PNJ funcionen de manera autónoma y reactiva, es indispensable el desarrollo de un sistema de inteligencia artificial (IA) eficaz. La creación de una buena IA exige el alineamiento de los requisitos del juego con los comportamientos deseados y la selección del algoritmo apropiado para su implementación (Millington, 2019). En este contexto, surge la demanda por enfoques que permitan estructurar la IA de forma profesional y alineada a las buenas prácticas de ingeniería de software.
En el universo del desarrollo de videojuegos, Unreal Engine se destaca como un software gratuito y accesible, que ofrece recursos robustos para la creación de IA para personajes no jugables. Entre sus herramientas, los Behavior Trees (BT) permiten organizar la lógica de comportamiento en un flujo ramificado, utilizando un “Blackboard” para almacenar y gestionar los datos de toma de decisiones (Epic Games, 2025). En paralelo, la Finite State Machine (FSM) es otra técnica ampliamente utilizada para IA, controlando el NPC a través de estados y transiciones basadas en condicionales (Bourg y Seemann, 2004).
A pesar de la popularidad de ambas técnicas, la elección del enfoque más adecuado para el desarrollo de IA en NPCs, especialmente en relación con la adherencia a los principios de ingeniería de software, sigue siendo un punto de investigación relevante. Existe la necesidad de demostrar cómo el uso de herramientas como los Behavior Trees puede optimizar la organización estructural, la mantenibilidad y la escalabilidad en el desarrollo de NPCs, en comparación con implementaciones más simples basadas en máquinas de estados finitos.
Este trabajo se justifica por la relevancia de explorar y comparar estos enfoques, con el objetivo de proporcionar subsidios para el desarrollo de inteligencia artificial en juegos digitales que sean eficientes y estén alineados con los principios de ingeniería de software. Así, este trabajo tiene como objetivo desarrollar y analizar una IA para NPCs en Unreal Engine a través del sistema de Behavior Trees, evaluando su aplicación y su adherencia a las buenas prácticas de ingeniería de software.
2. Material y Métodos
La presente investigación se caracterizó como aplicada, de naturaleza cuantitativa y exploratoria, con el objetivo de desarrollar y evaluar enfoques para la implementación de inteligencia artificial en personajes no jugables (NPCs) en Unreal Engine. La investigación aplicada se centró en la resolución de problemas reales, utilizando el conocimiento teórico para el desarrollo de soluciones prácticas (Andrade, 2012). La metodología se estructuró en etapas secuenciales para garantizar la amplitud del estudio.
Inicialmente, se realizó un mapeo de la literatura para identificar trabajos relacionados con árboles de comportamiento, máquinas de estados finitos, inteligencia artificial, Unreal Engine y Behavior Trees. La investigación incluyó libros clásicos como “Level Up: Un Guía Para El Diseño De Grandes Juegos” (Rogers, 2013), “AI for Games” (Millington, 2019) y “Ingeniería de Software: Una Abordaje Profesional” (Pressman, 2016), además de artículos científicos en Google Scholar y IEEE Xplore.
Los términos clave utilizados en la búsqueda fueron “unreal engine”, “NPC”, “Behavior Trees”, “NPC and Unreal Engine”, “Behavior Trees Unreal Engine”, “finite state machine” y “FSM”. Como criterios de inclusión, se consideraron publicaciones de artículos recientes, con menos de cinco años, y libros relevantes y consolidados en las áreas de ingeniería de software y desarrollo de videojuegos digitales.
La etapa de levantamiento y análisis de requisitos implicó la identificación de los comportamientos esperados para un PNJ en un juego básico. Se optó por restringir la implementación a los comportamientos de patrulla y persecución, considerados suficientes para validar los modelos de toma de decisiones dentro del tiempo disponible para el proyecto.
Los requisitos funcionales definieron las acciones que el PNJ debería ejecutar: patrullar el escenario, detectar al jugador a través del sistema de percepción, iniciar una persecución al detectar al jugador y regresar a la patrulla en caso de perder el objetivo. Los requisitos no funcionales se centraron en la calidad y organización de la solución, incluyendo la implementación de la IA con Behavior Trees, la adhesión a buenas prácticas de modularidad y bajo acoplamiento, la facilidad de mantenimiento y extensión del sistema, y la utilización del NavMesh de Unreal Engine para la navegación.
El modelado de la inteligencia artificial del PNJ buscó simular un comportamiento simple y funcional, capaz de interactuar dinámicamente con el jugador. La lógica de funcionamiento del PNJ fue definida por medio de un diagrama de actividades, que representó los estados principales de patrulla y persecución, sirviendo como base para las transacciones entre comportamientos.
El flujo de funcionamiento de la IA fue diseñado para que el NPC iniciara en patrulla, desplazándose por el mapa a través del NavMesh. Durante la patrulla, el sistema de percepción monitoreaba la presencia del jugador. Al detectar al jugador, una variable en el Blackboard se actualizaba, haciendo que el árbol de comportamiento ejecutara la rama de persecución. Si el jugador dejaba de ser detectado, la variable se actualizaba nuevamente, y el NPC regresaba al comportamiento de patrulla.
Para la implementación, se adoptaron buenas prácticas de ingeniería de software, como la separación de responsabilidades entre tareas y servicios del Behavior Tree, el uso de variables parametrizables en el Blackboard y el bajo acoplamiento entre los componentes. La IA se implementó utilizando recursos nativos de Unreal Engine 5.7.4, a través del sistema visual de scripts Blueprint, sin uso de código C++.
Los componentes utilizados incluyeron el Blueprint AI Controller, responsable de controlar las acciones del NPC; el Behavior Tree, para organizar la toma de decisiones; el Blackboard, para almacenar y gestionar datos relevantes; el AI Perception, que simuló el sentido de la visión del NPC; y el NavMesh, para permitir la navegación eficiente del NPC en el entorno. Se elaboró un diagrama de clases UML para evidenciar la estructura y las relaciones entre estos componentes.
El prototipo funcional fue desarrollado en Unreal Engine 5.7.4 en un entorno computacional con especificaciones de hardware que incluían placa base B550M DS3H AC, procesador AMD Ryzen 5 5500, tarjeta gráfica NVIDIA GeForce RTX 3050 6 GB GDDR6, 16 GB de memoria RAM y almacenamiento en SSD M.2 2280 NVMe PCIe Gen4x4 de 512 GB. El sistema operativo utilizado fue Windows 11 Pro 64 bits, versión 25H2, con soporte para DirectX 12, y el entorno de desarrollo contó con Visual Studio Community 2022.
Para la construcción del prototipo, se utilizaron assets gratuitos del creador Kenney, de los paquetes Animated Characters Survivors y Retro, para crear tres personajes distintos. Un personaje representó al jugador, con animaciones y comandos de locomoción, agacharse, saltar y atacar. Los otros dos personajes fueron NPCs, uno controlado por Behavior Tree y otro por máquina de estados finitos, ambos con el componente AI Perception configurado con los mismos parámetros para la detección del jugador.
El escenario del prototipo fue un nivel simple, construido con objetos geométricos estándar de Unreal Engine para simular obstáculos y permitir la navegación de los personajes. Se insertó un NavMesh Bounds Volume para configurar la navegación basada en NavMesh. Las pruebas se ejecutaron en un monitor con resolución de 1920 x 1080 píxeles, utilizando el Play in Viewport del editor Unreal Engine.
Las pruebas se definieron para un análisis comparativo de los enfoques implementados, evaluando el comportamiento de los NPCs, el rendimiento de la aplicación y la calidad de la solución. Las métricas incluyeron la eficiencia de detección del jugador (tiempo promedio para encontrar al jugador), la tasa de éxito en la detección (capacidad de detectar al jugador en hasta 30 segundos) y la eficacia en la persecución (tasa de éxito en capturas).
El rendimiento computacional se midió en términos de fotogramas por segundo (FPS), tiempo de fotograma en milisegundos (ms), tiempo de renderizado de la Unidad de Procesamiento Gráfico (GPU) en ms y uso de memoria, para escenarios con uno, cinco y diez NPCs simultáneamente. Las buenas prácticas en ingeniería de software se evaluaron según criterios objetivos como modularidad, modificabilidad, escalabilidad, reutilización y organización del código, con indicadores medibles para la comparación entre las implementaciones.
La realización de diez ejecuciones para cada condición experimental se estableció para observar la variabilidad de los resultados y permitir la comparación entre las implementaciones. La recolección de datos fue automatizada por Unreal Engine, por medio de temporización en Blueprint y logs generados automáticamente. Para datos de rendimiento, se realizó captura manual de la pantalla a los sesenta segundos de ejecución, descartando capturas anticipadas o posteriores.
Como soporte al desarrollo, se utilizaron herramientas basadas en inteligencia artificial, como ChatGPT, Claude y Asistente de Desarrollador de Epic para Unreal Engine, para ayudar a aclarar dudas y revisar textos. También se consultaron tutoriales técnicos y materiales oficiales de Unreal Engine y de YouTube como apoyo práctico durante la implementación.
3. Resultados y Discusión
El levantamiento bibliográfico realizado en el presente estudio proporcionó una comprensión profunda de las técnicas de inteligencia artificial aplicadas a juegos digitales, permitiendo la identificación de las características, ventajas y limitaciones de los enfoques basados en árboles de comportamiento y en máquinas de estados finitos. Esta etapa fue crucial para contextualizar la investigación y fundamentar el análisis comparativo de las implementaciones desarrolladas, alineándose a los principios establecidos por Millington (2019) sobre la creación de IA eficaz.
La Inteligencia Artificial Utilizada en Juegos
Los desarrolladores de juegos buscan construir algoritmos de inteligencia artificial que confieran realismo a los personajes, imitando comportamientos humanos y aplicando las herramientas más adecuadas al diseño de los personajes. Es un error común suponer que una IA más compleja resultará en un personaje superior; de hecho, una IA simple y bien hecha puede ser percibida como más inteligente por el jugador (Millington, 2019). La clave reside en alinear los requisitos del juego con los comportamientos deseados y el algoritmo apropiado para su producción.
La máquina de estados finitos (FSM) es un modelo abstracto que asume estados distintos y predefinidos, con condiciones que determinan las transiciones entre ellos. Aunque es una técnica antigua, su simplicidad de comprensión, implementación y depuración la mantiene relevante en los juegos modernos. Generalmente, la FSM almacena todos los datos de una entidad en una única clase o estructura, que define el estado actual de la IA y, consecuentemente, su comportamiento (Bourg y Seemann, 2004).
La estructura básica de la FSM es bastante flexible, permitiendo diversas implementaciones. En su forma más elemental, el algoritmo requiere poca memoria, solo para almacenar el estado actual y procesar las transacciones correspondientes (Millington, 2019). Esta característica contribuye a su popularidad en escenarios donde la simplicidad y la rapidez de implementación son prioritarias, a pesar de sus limitaciones en contextos más complejos.
La arquitectura de árbol de comportamiento (BT) ha ganado popularidad en la creación de inteligencia artificial para personajes, siendo utilizada en juegos como Halo 2, lanzado en 2004, y adoptada posteriormente por muchos otros títulos (Millington, 2019). El componente principal de un árbol de comportamiento es la tarea, que puede variar desde una lectura de variable hasta una animación compleja, organizando la lógica comportamental de forma jerárquica y modular.
Según Millington (2019), las tareas simples en un BT se clasifican en tres tipos: condiciones, que prueban propiedades del juego y devuelven éxito o fallo; acciones, que alteran estados, controlan animaciones, audio y movimiento; y composiciones, que deciden el orden y ejecución de las tareas, como “Selector” y “Sequence”. Los selectores eligen la primera acción exitosa, mientras que las secuencias garantizan la ejecución de una serie de tareas necesarias, permitiendo la creación de comportamientos sofisticados.
El árbol de comportamiento adopta una forma de planificación reactiva, lo que exige que todas las acciones posibles del PNJ se añadan manualmente. Para evitar la previsibilidad y hacer que la IA sea más interesante, es posible incorporar variaciones en los selectores y secuencias, permitiendo que los hijos se ejecuten en orden aleatorio (Millington, 2019). Esta flexibilidad es un diferencial importante para crear experiencias de juego más dinámicas y menos repetitivas.
Rendimiento y Eficiencia de los NPCs
La primera prueba evaluó la eficiencia de detección del jugador, midiendo el tiempo entre el inicio de la patrulla del NPC y la identificación del jugador por el sistema de percepción. El modelo basado en máquina de estados finitos (NPC FSM) presentó un tiempo medio de detección de 29 segundos, con una desviación estándar de 35,9 segundos. En contraste, el modelo basado en árbol de comportamiento (NPC BT) registró una media de 46,1 segundos, con una desviación estándar de 35,6 segundos. Aunque el NPC FSM fue más rápido en la detección inicial, ambos modelos exhibieron alta variabilidad, lo que sugiere que la elección aleatoria de los puntos de patrulla influyó significativamente en el tiempo de detección.
La alta dispersión en los resultados, con desviaciones estándar similares para ambos modelos, indica que el comportamiento de los agentes varió considerablemente entre las ejecuciones, sin establecer un patrón de desempeño uniforme. La navegación en Unreal Engine, que utiliza el sistema NavMesh para el cálculo de rutas y el procesamiento de mallas de navegación, puede impactar tanto el costo computacional como la complejidad de las trayectorias (Zhang, 2025). A pesar de las diferencias, ambos modelos cumplieron el objetivo de detectar al jugador e iniciar la persecución.
La segunda prueba, centrada en la tasa de éxito en la detección del jugador en hasta 30 segundos, reforzó la tendencia observada en la primera prueba. El NPC FSM alcanzó una tasa de éxito del 80%, mientras que el NPC BT obtuvo el 40%. Este resultado es consistente con el menor tiempo medio de detección del NPC FSM, lo que indica que, en el escenario evaluado, la lógica de decisión de la máquina de estados finitos favoreció la localización del jugador dentro del tiempo límite establecido. Sin embargo, es fundamental resaltar que estos resultados son específicos del escenario y de la implementación de este trabajo, no permitiendo generalizaciones para todos los contextos.
La tercera prueba evaluó la eficacia del comportamiento de persecución, considerando la capacidad del PNJ para alcanzar al jugador. El PNJ BT demostró un rendimiento superior, con una tasa de éxito promedio del 57% y una desviación estándar del 19,9%, en comparación con el PNJ FSM, que obtuvo un 22,8% de éxito y una desviación estándar del 22,17%. El PNJ BT también presentó un promedio de 2,7 alcances por ejecución, frente a 0,7 del PNJ FSM, evidenciando una mayor efectividad en la conclusión de la persecución.
En cuanto a las fugas por ejecución, ambos modelos presentaron medias similares, con el NPC BT registrando 2,3 fugas y el NPC FSM, 2,2 fugas. Aunque el NPC FSM exhibió una desviación estándar ligeramente menor en las fugas, las medias cercanas indican que ambos modelos generaron una cantidad similar de eventos de fuga. Esta complementariedad de desempeño, donde el NPC FSM se destacó en la detección inicial y el NPC BT en la persecución, sugiere que la elección de la arquitectura ideal depende de la tarea específica a ejecutar.
La utilización exclusiva de árboles de comportamiento puede presentar limitaciones en la respuesta a eventos externos específicos, según lo señalado por Millington (2019), quien sugiere la combinación de BT con máquinas de estados o la implementación de tareas que simulen comportamientos orientados a estados en tales escenarios. Esta perspectiva refuerza que la decisión entre BT y FSM debe considerar no solo el rendimiento cuantitativo, sino también el tipo de comportamiento esperado y el nivel de control necesario sobre las transiciones del agente.
En la prueba de rendimiento computacional con un PNJ activo, el modelo basado en árbol de comportamiento (PNJ BT) demostró un mejor rendimiento. El PNJ BT obtuvo un promedio de 79,3 FPS, un tiempo promedio por fotograma de 12,57 ms, un tiempo de procesamiento en GPU de 9,39 ms y un consumo de memoria de 1,69 GB. En contraste, el PNJ FSM registró 65,3 FPS, 14,75 ms por fotograma, 10,27 ms en GPU y 2,39 GB de memoria. El PNJ BT también presentó menores desviaciones estándar en todas las métricas, lo que indica una mayor estabilidad en la ejecución.
Con cinco NPCs activos, el modelo NPC BT mantuvo su rendimiento computacional superior, con una media de 79,7 FPS, 12,59 ms por fotograma, 9,36 ms en la GPU y 1,63 GB de memoria. El NPC FSM, por su parte, registró 65,6 FPS, 14,94 ms por fotograma, 9,36 ms en la GPU y 2,17 GB de memoria. Las desviaciones estándar confirmaron la mayor estabilidad del NPC BT, a excepción del consumo de memoria, donde la diferencia fue poco significativa. Estos resultados indican que el NPC BT mantuvo un menor coste computacional y un comportamiento más estable incluso con el aumento de la cantidad de agentes.
En el escenario con diez PNJ activos, ambos modelos presentaron una reducción en la tasa media de fotogramas por segundo, lo cual es esperado debido al aumento de la carga computacional. Aun así, el PNJ BT mantuvo una media de 72,6 FPS y un tiempo medio por fotograma de 13,73 ms, mientras que el PNJ FSM registró 67,0 FPS y 14,69 ms por fotograma. En términos de consumo de memoria, el BT continuó utilizando menos recursos (1,56 GB) que el FSM (2,62 GB), manteniendo también menor variabilidad.
Sin embargo, en el escenario con diez NPCs, el NPC FSM presentó un menor tiempo promedio de procesamiento en la GPU (8,51 ms) y una desviación estándar inferior en esta métrica, sugiriendo que, con un mayor número de agentes simultáneos, parte del procesamiento gráfico asociado al FSM se volvió relativamente más eficiente. A pesar de esta ventaja específica, el rendimiento general del BT se mantuvo superior en las demás métricas analizadas, reforzando la importancia de una evaluación multidimensional del rendimiento, que considere no solo el número de agentes, sino también las métricas específicas.
Evaluación de las Buenas Prácticas de Ingeniería de Software
La evaluación de las buenas prácticas de ingeniería de software se realizó mediante la inspección de los artefactos de las implementaciones, considerando la organización de los Blueprints, la distribución de responsabilidades, la modularidad, el grado de dependencia, la posibilidad de reutilización y el impacto de la inclusión de nuevos comportamientos. Los criterios se basaron en las características de calidad de la ISO/IEC 25010:2023, como mantenibilidad, reutilizabilidad y modificabilidad, y en los principios de diseño de software de Pressman (2016), que abordan modularidad, separación de responsabilidades, cohesión y acoplamiento.
En términos de modularidad, el árbol de comportamiento obtuvo la máxima puntuación, demostrando mayor modularidad debido a la distribución de sus decisiones en archivos independientes. Esto permite el aislamiento funcional y un menor acoplamiento entre comportamientos. Cada comportamiento en el BT ocupa su propio artefacto, lo que resulta en cinco archivos con responsabilidad única. En la FSM, la lógica se concentra en flujos condicionales dentro de un único Blueprint, con aproximadamente 21 nodos, lo que reduce la flexibilidad modular y la claridad estructural.
En cuanto a la modificabilidad, ambos enfoques recibieron una puntuación equivalente, ya que la alteración de comportamientos existentes o la adición de nuevos exige modificaciones estructurales. En BT, la inclusión de un nuevo comportamiento requiere la creación de una nueva tarea o servicio y su inserción en el árbol. En FSM, es necesario incluir el nuevo estado en el Enum y modificar la lógica en el Blueprint AI Controller. Esta característica está alineada con la literatura, que señala que los FSM “hard-coded” se vuelven difíciles de mantener y complejos a medida que crecen (Millington, 2019).
La escalabilidad del árbol de comportamiento demostró ser una ventaja significativa, permitiendo la adición de nuevos comportamientos mediante subárboles sin la necesidad de una reestructuración sustancial del sistema. El crecimiento funcional ocurre por la adición o combinación de componentes, minimizando cambios en los componentes existentes. Esta característica es crucial a medida que la cantidad y la complejidad de los comportamientos de los NPCs aumentan, alineándose a los principios de ingeniería de software de Pressman (2016) sobre modularidad y organización de responsabilidades.
En la máquina de estados finitos, la inclusión de nuevos comportamientos expande el código en el mismo archivo, exigiendo bloques de comentarios para identificar cada grupo de nodos y aumentando rápidamente la complejidad del grafo de estados, impactando la legibilidad del Blueprint. Esta conclusión está relacionada con la arquitectura implementada en este trabajo y no implica que los árboles de comportamiento sean universalmente superiores en escalabilidad, sino que destaca la importancia de la distribución de responsabilidades y de los mecanismos de composición utilizados en la implementación.
Ambos los enfoques presentaron capacidad de reutilización de componentes, recibiendo puntuación equivalente. En la FSM, el AI Controller permite asociar la misma implementación a diferentes personajes, con variaciones obtenidas por parametrización o especialización de clase. En el Behavior Tree, la reutilización ocurre por medio de tareas y servicios independientes, que pueden ser empleados en diferentes árboles y personajes, conforme descrito por Millington (2019), permitiendo la composición e instanciación de comportamientos a partir de tareas predefinidas.
En cuanto a la organización, el árbol de comportamiento presentó una mayor organización estructural debido a la separación explícita entre los componentes de toma de decisiones y los de ejecución. Esta organización refleja el principio de separación de responsabilidades, donde diferentes elementos poseen funciones específicas. En la FSM analizada, la mayor parte de la lógica está concentrada en el Blueprint AI Controller, resultando en un grafo más extenso y visualmente denso a medida que se incorporan nuevos comportamientos, dificultando la identificación de la estructura.
Los resultados obtenidos están alineados con trabajos correlatos, que demuestran el Árbol de Comportamiento como un enfoque seguro y flexible para la organización de comportamientos estructurales jerárquicos en motores de juegos, permitiendo alternancia controlada y extensibilidad (Ferreira y Kishimoto, 2024). La elección de arquitecturas de software impacta directamente los costos productivos, pues sistemas con alto acoplamiento entre componentes generan mayores costos de mantenimiento (MacCormack y Sturtevant, 2016). La reutilización, flexibilidad y extensibilidad son requisitos recurrentes en la arquitectura de mecánicas de juegos, y arquitecturas modulares reducen el esfuerzo de desarrollo (Mizutani et al., 2021).
En resumen, el árbol de comportamiento, al distribuir responsabilidades en artefactos independientes y desacoplar datos a través de Blackboard, presenta características arquitectónicas alineadas con las buenas prácticas que la literatura asocia con la reducción de costos de mantenimiento y una mayor capacidad de evolución del sistema a largo plazo. La máquina de estados finitos, por su parte, ofrece simplicidad y facilidad de implementación y depuración, siendo adecuada para escenarios más simples con un número limitado de estados y transiciones (Premoli y Silva, 2024). La elección de la técnica ideal, por lo tanto, depende de los objetivos específicos del juego y del contexto de desarrollo (Valadares y Ribeiro, 2022).
4. Conclusión
El presente estudio buscó desarrollar y analizar una inteligencia artificial para personajes no jugables (NPCs) en Unreal Engine, empleando el sistema de Behavior Trees, y evaluar su adherencia a las buenas prácticas de ingeniería de software en comparación con máquinas de estados finitos. Se verificó que ambos enfoques fueron eficaces en la implementación de los comportamientos de patrulla y persecución. Sin embargo, se observó un desempeño complementario: la máquina de estados finitos demostró mayor rapidez en la detección inicial del jugador, mientras que el Behavior Tree presentó mayor efectividad en la conclusión de la persecución. En términos de desempeño computacional, el Behavior Tree generalmente exhibió mayor fluidez y menor consumo de recursos, además de mayor estabilidad, aunque la máquina de estados finitos mostró un tiempo de procesamiento de GPU ligeramente inferior en escenarios con mayor número de agentes. El análisis de las buenas prácticas de ingeniería de software reveló que el Behavior Tree se destacó en modularidad, escalabilidad y organización, ofreciendo una arquitectura más alineada a los principios de ingeniería de software, con distribución de responsabilidades y menor acoplamiento. La principal contribución de este trabajo reside en la demostración de la viabilidad de crear IA para NPCs con buenas prácticas de ingeniería de software en Unreal Engine, proporcionando subsidios para la elección de la arquitectura más adecuada conforme a los objetivos del proyecto.
Se destaca que las pruebas se llevaron a cabo en un entorno controlado, con un número limitado de ejecuciones y un escenario simplificado, lo que restringe la generalización de los resultados a todos los contextos de desarrollo de juegos. Para estudios futuros, se sugiere la expansión del prototipo con la inclusión de comportamientos adicionales, como ataque y recepción de daño. Se recomienda también la realización de pruebas en escenarios más complejos y con un mayor número de ejecuciones, con el fin de ampliar la validez de los hallazgos. Adicionalmente, la inclusión de otros modelos de inteligencia artificial para una comparación más completa puede enriquecer la comprensión sobre la aplicación de estas técnicas.
Referencias 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.
Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Ingeniería de Software del MBA USP/Esalq
Para saber más sobre el curso, haz clic aquí y accede a la plataforma MBX Academy