Jul, 2022

基于音乐的在线游戏关卡生成

PDF
TL;DR本文基于经验驱动的强化学习和可控强化学习，构建了一个名为 OPARL 的通用框架，能够实现基于音乐的在线水平生成。通过一种新颖的基于局部搜索和 k 最近邻的控制策略，OPARL 能够考虑在线收集的游戏数据来控制关卡生成器，生成难度级别与音乐的 “动能” 动态相匹配。通过仿真实验表明，OPARL 的实现能够在在线的方式下为不同的人工玩家生成可玩的关卡。
发现论文，激发创造
  • 基于强化学习的程序化内容生成 (PCGRL)

    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

  • 从无到有生成关卡的学习

    该论文提出了一种名为 GPN 的算法，通过代理玩游戏，学习可玩关卡的分布，从而实现自动生成游戏关卡，避免了人类设计的限制，并用 2D 地牢游戏训练和展示了该框架的能力。

    Feb, 2020

  • 深度音乐生成综述：多层表征、算法、评价及未来方向的全面调查

    本研究概述了当前流行的各种利用深度学习算法进行不同音乐生成层次的生成音乐任务，并总结了适用于各种任务的数据集、音乐表示、评估方法以及挑战，同时指出了几个未来的研究方向。

    Nov, 2020

  • 可控 3D 楼层生成器的学习

    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

  • 零样本推理：个性化内容生成无起步问题

    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

  • 将进化搜索与行为克隆相结合，用于程序生成内容

    本文提出了一种将进化搜索和强化学习相结合的框架，通过行为克隆将演化的关卡序列提炼为策略，以生成更快速的关卡，我们将其应用于迷宫游戏和超级马里奥兄弟中，结果表明该方法能够显著缩短关卡生成的时间。

    Jul, 2022

  • 机器学习辅助下的协同创作级别设计

    本文介绍了一个通过 PLGML 代理进行共创级别设计的框架，并通过用户研究和比较研究的结果来支持该框架。

    Sep, 2018

  • 通过程序化关卡生成，照亮深度强化学习的泛化问题

    本文探讨了通过在训练中使用过程化生成的关卡如何增加模型的泛化性能，并研究了其与人类设计的关卡的关系。结果表明，通过降低难度、调整关卡设计，可以获得更好的性能表现，并进行了降维和聚类分析来评估关卡生成器的分布。

    Jun, 2018

  • 机器学习的程序化内容生成（PCGML）

    本文旨在探讨使用机器学习的方法生成游戏内容，涉及的技术包括神经网络、马尔可夫模型等，讨论了该方法在游戏设计中的应用及存在的问题。

    Feb, 2017

  • 学习混合计算机游戏关卡

    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