机器学习的程序化内容生成(PCGML)
研究了游戏中的 Procedural Content Generation (PCG) 对于增加机器学习方法的通用性的重要性,特别是学习算法对于过度拟合的困扰和参数随机化的抗拟合方法,以增加算法对于不同环境的适应性和回报。
Nov, 2019
通过利用人类注释的游戏玩法视频,实现一种多重尾部框架,该框架学习执行同时水平转换和生成的任务,具有在 Level 传输中提高总体性能的潜力,并展示未来版本泛化到未见过游戏的可能性。
Jun, 2023
研究如何使用强化学习训练级别设计代理,将关卡设计视为游戏并将内容生成器本身学习,并探讨了三种不同的转换二维层次设计问题的马尔可夫决策过程,将其应用于三个游戏环境中。
Jan, 2020
使用强化学习实现程序化内容生成(PCGRL),通过可计算、用户定义的质量度量训练智能体优化 3D 环境下针对 Minecraft 游戏的任务,生成多样化的游戏关卡,展示了 PCGRL 在 3D 环境下的应用和潜力。
Jun, 2022
通过知识转换实现程序化内容生成 (PCG-KT) 的概念和框架的引入,将以往训练数据缺失以及为全新游戏生成内容的限制转化为知识转换,通过转换不同领域的知识以生成新颖的内容。
May, 2023
本研究探讨了通过机器学习进行程序化内容生成技术在游戏领域的应用,着重介绍了如何基于多个游戏领域构建新的自动生成游戏关卡的方法,使用了多个游戏平台的数据,并训练了变分自编码器以跨越各个领域的潜在关卡空间来生成新的内容。
Aug, 2020
通过使用大型语言模型,本研究提出了一种新颖的方法来通过连续收集个体玩家的游戏数据,实现个性化的程式化内容生成,与传统方法相比,我们的方法在减少玩家在游戏关卡中中途退出的概率方面表现出更好的性能。
Feb, 2024
我们介绍了一种名为 Tree-based Reconstructive Partitioning (TRP) 的新型 PCGML 方法,它能够解决在游戏开发的早期阶段应用 PCG 和 PCGML 方法的问题。我们的实验证明,TRP 产生的关卡更具可玩性和一致性,而且在使用较少训练数据时更具普适性。我们认为 TRP 是一种有前景的新方法,它可以在游戏开发的早期阶段引入 PCGML 而不需要人工专业知识或大量训练数据。
Sep, 2023
本文介绍了 Procedural Content Generation (PCG) 及其方法,其中 search-based PCG 将给定的任务作为优化问题,通过进化算法解决。我们提出和讨论了三种高效的分析工具:对角线行走、高层次属性的估计以及问题相似度测量。这些分析方法有助于 PCG 方法的比较和生成内容的质量提升。
Feb, 2023