Hoe FC-creatievelingen de meest menselijke keepers hebben gemaakt

Een duik in de laatste seconde. Een redding met de vingertoppen die de wedstrijd verandert. Een keeper die de hoek inschat, zich in een fractie van een seconde aanpast en reageert met instinctieve precisie.

In EA SPORTS FC 26 vertonen keepers menselijker gedrag, reageren ze dynamisch, passen zich sneller aan en leveren ze momenten die authentiek en levensecht aanvoelen.

De sprong voorwaarts wordt mogelijk gemaakt door een innovatieve en creatieve oplossing, ontwikkeld door teamleden van EA SPORTS en de Search for Extraordinary Experiences Division (SEED), een baanbrekende groep binnen Electronic Arts, die creativiteit combineert met toegepast onderzoek.

Laten we erin duiken.

“De resultaten zijn de meest levensechte keepers in de FC-geschiedenis, volledig gebouwd op een innovatieve en creatieve oplossing die in eigen huis is ontwikkeld door teams van experts bij EA.”

Een designer-first aanpak van machine learning

Door gebruik te maken van deep reinforcement learning, zorgde het team voor snellere training en menselijker gedrag vergeleken met traditionele methoden, waardoor het realisme werd verbeterd terwijl de trainingstijd werd verkort.

“We hebben machine learning gebruikt om ze in honderdduizenden in-game situaties te trainen om de beste positionering te vinden, inclusief die kleine micromoves die keepers van wereldklasse gebruiken om de hoek te verkleinen,” zegt Mike Jones, Sr. Software Engineer, Electronic Arts. 

“De methode maakt gebruik van een reinforcement training agent die zelf leert om het spel te spelen via een nieuw trainingsframework dat is ontwikkeld met als doel data-efficiënt te zijn,” zegt Alessandro Sestini, Research Scientist bij SEED. “En tot slot, een evaluatie- en fijnstellingsframework om designers feedback te laten geven op het keepergedrag.”

Vergeleken met de traditioneel gecodeerde keeper levert het nieuwe systeem duidelijke verbeteringen op.

De reinforcement learning-gestuurde keeper behaalt een 10% verbetering in balreddingspercentage, traint 50% sneller dan standaard reinforcement learning-methoden en kan 's nachts worden getraind. Een robuust validatiesysteem met meer dan 300 'unit-test'-scenario's zorgt voor continue evaluatie en fijnstelling.

De reinforcement learning-aanpak zorgt voor adaptievere positionering, verbeterde hoekdekking en gedrag dat natuurlijker aanvoelt voor de echte sport.

De resultaten zijn de meest levensechte keepers in de FC-geschiedenis, volledig gecreëerd door een innovatieve en creatieve oplossing die in eigen huis is ontwikkeld door teams van experts bij EA.

“We hebben machine learning gebruikt om ze in honderdduizenden in-game situaties te trainen om de beste positionering te vinden, inclusief die kleine micromoves die keepers van wereldklasse gebruiken om de hoek te verkleinen.”

Meer zal volgen

De introductie van reinforcement learning-gestuurde keeper-positionering in EA SPORTS FC 26 vertegenwoordigt meer dan een enkele systeemupgrade; het weerspiegelt een evolutie in hoe gameplay kan worden gebouwd, getraind en verfijnd in productie.

Door machine learning te combineren met een designer-first framework, kunnen teams sneller itereren, continu valideren en menselijker gedrag direct leveren in speler-gerichte ervaringen.

Voor spelers betekent dat slimmere reacties, betere positionering en momenten die dichter bij de echte sport aanvoelen. Voor ontwikkelaars duidt het op een schaalbare aanpak voor het toepassen van machine learning op manieren die praktisch en meetbaar zijn en gebouwd zijn voor live productie.

En voor EA SPORTS FC markeert het een volgende stap voorwaarts in het leveren van authentiekere en boeiendere voetbalervaringen.

Bekijk andere geweldige EA-verhalen op ea.com/nl-nl/news.