Inspector：基于像素的自动化游戏测试，实现探索、检测和调查

Jul, 2022

Inspector：基于像素的自动化游戏测试，实现探索、检测和调查

Inspector: Pixel-Based Automated Game Testing via Exploration, Detection, and Investigation

Guoqing Liu, Mengzhang Cai, Li Zhao, Tao Qin, Adrian Brown...

TL;DR本研究提出了一种新的通用游戏测试代理 ——Inspector，该代理只使用屏幕截图 / 像素作为输入，通过使用基于好奇心的奖励函数，探索游戏空间，检测游戏中的关键对象，并通过模仿学习模拟人类行为来研究关键对象，实现了游戏空间的完整覆盖和探索，检测重要对象并按照人类行为相互作用，最终成功发现了两个游戏中的潜在漏洞。

Abstract

deep reinforcement learning (DRL) has attracted much attention in automated game testing. Early attempts rely on game internal information for game space exploration, thus requiring deep integration with games, which is inconvenient for practical applications. In this work, we propose

deep reinforcement learning automated game testing general game testing agent pixel inputs human-like behaviors

发现论文，激发创造

以偏好为条件的基于像素的人工智能游戏测试代理

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

使用深度强化学习增强自动游戏测试

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

iNNspector：可视化、交互式深度模型调试

通过系统分析深度学习模型的数据，深入理解、诊断和改进模型行为，利用 iNNspector 系统提供的交互可视化工具，对多个模型和单个神经元的多个层次的数据进行跟踪和评估，证明了其有效性和易用性。

Jul, 2024

从像素到 UI 操作：通过图形用户界面学习跟随指令

本研究提出一种使用基于像素的屏幕截图和一般的鼠标和键盘动作空间来模拟人与数字世界互动的智能代理。通过依赖于最近的像素预训练技术，该代理在 GUI 任务的 MinWob ++ 基准测试中表现出比人类众包工人更好的性能。

May, 2023

基于像素的深度分层规划

通过在一个学习好的世界模型的潜在空间 planning，我们引入了一种名叫 Director 的实用方法，直接从像素学习分层行为，无需手动指定目标空间或子任务，并在具有稀疏奖励的任务中表现超越了探索方法。

Jun, 2022

诊断和利用视频游戏的计算需求进行深度强化学习

通过提出学习挑战诊断器 (LCD) 并使用其在 Procgen 基准测试中发现新的挑战分类，研究报道了在优化深度强化学习算法时出现的多种失败情况，并为更高效的进展提供了一条路径。

Sep, 2023

使用 SLAM 增强的深度强化学习玩《毁灭战士》游戏

该研究使用前人认为人类认知中的语义概念和抽象能力，将对象和结构元素添加到图像输入，改进了深度 Q 学习网络（DQN）代理模型的策略学习框架，并在 3D 第一人称射击游戏 “毁灭战士” 中表现出更好和更有效的策略。

Dec, 2016

VizDoom 中的行为克隆

通过只使用像素数据作为输入，本研究论文描述了训练自主智能体在游戏《毁灭战士 2》中通过模仿学习（IL）进行游戏的方法。我们还探讨了强化学习（RL）相对于 IL 在摄像机运动和轨迹数据方面的人类性，并通过行为克隆（behavioural cloning）研究了个体模型学习不同行为特征的能力。我们尝试模仿具有不同游戏风格的真实玩家的行为，发现我们可以训练出具有攻击性、被动性或比传统 AI 更接近人类的行为的智能体。我们提出了这些在视频游戏中引入更多深度和接近人类行为的方法。经过训练的 IL 智能体在我们的数据集中的表现与普通玩家相当，同时优于最差的玩家。尽管性能没有常见的 RL 方法强，但它为智能体提供了更强的接近人类行为特征。

Jan, 2024

使用深度强化学习玩射击游戏

本研究提出了一种融合游戏特征信息的深度强化学习神经网络模型，其能够在处理 3D FPS 游戏的部分可观察状态下显著提高训练效率和性能。

Sep, 2016

DeepXplore：深度学习系统的自动化白盒测试

本文介绍了 DeepXplore，这是第一个白盒子架构，用于系统地测试现实中的深度学习系统。它有效地找到了成千上万个在最新的深度学习模型中存在的错误的边缘案例行为，并使用 DeepXplore 生成的测试输入来重新训练相应的 DL 模型，从而提高模型的准确性高达 3％。

May, 2017