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

本研究旨在通过利用更强大的信息源和从现有数据中提取更多信息的方式，增加数据收集与维护流水线的效率，并着重解决模仿学习、领域自适应和从模拟中进行传输等三个正交方面的问题。

Apr, 2019

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

本文提出了一种使用自动代理进行游戏测试的方法，该方法可以以分钟级的速度完成测试者需要数天才能完成的有机游戏。该测试方法的应用在《模拟人生移动版》中取得了积极的效果，对游戏的平衡性，奖励设置以及选项效果进行了评估和优化，从而提升了玩家体验。

Nov, 2018

基于深度强化学习的自主学习系统在创建具有韧性和高效的网络物理能源系统方面已经确立其基础。然而，大部分现有方法存在两个明显问题：现代无模型算法，如软 Actor Critic，需要大量样本才能学习有意义的策略，并且需要用来对抗概念漂移（如灾难性遗忘）的备用方案。本文介绍了一种将基于模型的深度强化学习与模仿学习相结合的混合代理体系结构的工作进展，以克服这两个问题。

Apr, 2024

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

游戏开发的自动化测试是减少开发成本和提高效率的关键技术之一，EVOLUTE 是基于模仿学习的架构，结合了行为克隆和能量模型，它在射击和驾驶游戏中表现出更高的泛化能力和性能。

Jan, 2024

本文针对包含机器学习组件的自动驾驶系统，提出了一个测试框架，利用测试用例生成和自动实现方法进行评估，并演示了如何使用覆盖数组等测试用例生成方法以及需求实现方法来自动识别问题情景，从而提高自动驾驶系统的可靠性。

Apr, 2018

利用人工智能驅動的遊戲設計輔助系統來幫助設計師建議遊戲機制，通過量化研究證明系統能提高用戶生產率，精度，減少工作負荷。

Aug, 2019