LSTMs 生成超级马里奥平台游戏关卡
本文介绍一个 fine-tuned GPT2 模型 MarioGPT,它能够生成多样的游戏地图,实现可控制的 PCG。结合 Novelty search,该模型能够生成具有不同游戏动态特点的多样化地图,开创了文本 - 游戏地图的先河。
Feb, 2023
近期,大型语言模型的出现为过程性内容生成带来了新的机遇。这篇论文探讨了通过大型语言模型生成游戏的可能性,提出了一种基于视频游戏描述语言的大型语言模型框架,可以同时生成游戏规则和关卡。实验结果展示了这个框架如何根据不同的上下文进行生成,为过程性内容生成领域中的新游戏生成提供了新的见解。
Apr, 2024
本文探讨了使用大型语言模型 (LLMs) 生成 Sokoban 游戏关卡的可行性及效果,发现 LLMs 能够生成关卡,且其性能随数据集规模的提高而显著提高。同时,文章也介绍了控制 LLMs 关卡生成器的初步实验结果,并探讨了未来研究的有 promising 的方向。
Feb, 2023
本文提出了一种基于预生成的具有特定机制的 “场景”,通过代理人实时游戏输入机制序列的关卡生成方法。使用 FI-2pop 算法和场景语料库,系统可以输出与目标机制序列相似但新颖的游戏关卡,与贪心法比较,我们的方法可以最大化匹配机制并通过拼合过程减少新出现的机制。
Feb, 2020
本论文使用对抗生成网络 (GANs) 和协方差矩阵自适应进化策略 (CMA-ES) 生成了大量类似原始语料库中的 Super Mario Bros 的电子游戏层级,并使用各种适应性函数发现了专家所设计示例空间内存在的层级,并引导搜索满足一个或多个指定目标的层级。
May, 2018
本文提出了一种无监督融合不同游戏概念生成新的计算机游戏关卡的方法,主要贡献在于引入类比推理过程,以构建从游戏视频中学习的不同层级设计模型之间的融合模型,并通过证明在超级马里奥兄弟游戏中表现出的风格化水平设计知识的方式,演示了我们的系统说明了由人类专家设计者融合的游戏关卡。
Mar, 2016
我们的研究旨在通过引入实时方法预测获胜来增强电子竞技比赛的观众参与度。我们的基于长短期记忆网络(LSTM)的方法通过仅使用每个玩家的健康指标作为时间序列,实现了高效的胜负结果预测。我们以经典的两人对战街头霸王 II Turbo 为例,评估了我们模型在此游戏中的表现,并与流行的时间序列预测方法进行了对比。最后,我们公开了数据集和代码,以期促进对街机游戏的预测性分析进一步的研究。
Feb, 2024
本文提出了一种新方法,通过追踪给定输出对 LSTM 的给定输入的重要性来识别一致重要的单词模式,从而将其简化为一组代表性短语,并基于这些短语构造了一个简单的基于规则的分类器,从而近似于 LSTM 在情感分析和问题回答上的输出。
Feb, 2017
使用品质多样性算法对生成对抗网络中的潜空间进行有效探索,进而提取游戏级别,并展示如何在保持风格相似性的情况下提取具有不同级别机制的高质量级别。
Jul, 2020