利用人工智能探索游戏玩法
本文提出使用自动规划代理来模拟不同技能水平的人来生成游戏过程，并从中收集指标以评估当前的游戏设计并确定其潜在缺陷。本文以 Scrabble 和 Cardonomicon 为案例，展示了使用模拟代理来模拟人类玩家如何从游戏中提取度量（在 Scrabble 的情况下）以及突出设计缺陷（在 Cardonomicon 的情况下）。
Aug, 2019
自动测试计算机游戏是一个具有挑战性的问题，特别是当需要测试冗长的场景时。本文提出了一种合作多代理测试方法，并基于一个名为实验室招募的 3D 游戏的案例研究，对其性能进行了研究。
May, 2024
游戏行业面临着不断增长的需求和游戏复杂度，同时维持发布游戏的可接受质量标准的挑战。本文提出了一种基于像素状态观察的代理设计，通过演示轨迹来满足游戏测试工程师的喜好，并结合自监督和监督学习目标的模仿学习方法，显著优于现有基于像素的游戏测试代理，对复杂的开放世界环境进行探索覆盖和测试执行质量评估。
Aug, 2023
利用实验性的强化学习系统增加自动化游戏测试解决方案的能力，展示了将强化学习应用于游戏开发中的用例，并提出了促进游戏产业采用机器学习和特别是强化学习的研究方向。
Jul, 2023
本研究提出了一种基于数据驱动的模仿学习技术的自动游戏验证和测试方法，该方法需要很少的工作量和时间，设计师们可以用它来高效地训练游戏测试代理。研究结果表明，我们的方法确实是一种有效的游戏验证方法，数据驱动编程也将是减少游戏测试工作量和提高现代游戏测试质量的有用辅助工具。
Aug, 2022
该论文介绍了 CARMI：一种配置可调的智能体，使用相对度量输入以模拟玩家的游戏风格，并能够在先前未见过的游戏关卡上操作。这种方法不需要完整的游戏数据轨迹，可通过少量人工数据训练，并可用于制作视频游戏的行为和平衡研究。
Nov, 2022
本研究采用深度强化学习（DRL）技术来实现自学习机制的游戏测试框架，可提高测试覆盖率，发现并解决游戏内的漏洞及其他问题，特别适用于第一人称射击类型的游戏。
Mar, 2021
通过自动化测试和自动计划行动模型学习技术，本文提出了一种用于测试特定视频游戏方面的方法和工作流。该方法和工作流允许游戏开发人员和 PDDL 建模经验者之间的高效合作，以实现对计划领域描述语言 (PDDL) 的正式模型的生成，从而通过在 Unity 游戏开发引擎中提供的简单的角色扮演游戏的教程项目进行演示。本文是向流程中建模专家的职位需求降到最低甚至消除的第一步，从而使自动计划可以更广泛地被应用。
Feb, 2024