通过基于强化学习的人类化游戏风格生成实现自动玩测试

AAAINov, 2022

通过基于强化学习的人类化游戏风格生成实现自动玩测试

Automated Play-Testing Through RL Based Human-Like Play-Styles Generation

Pierre Le Pelletier de Woillemont, Rémi Labory, Vincent Corruble

TL;DR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。

Abstract

The increasing complexity of gameplay mechanisms in modern video games is leading to the emergence of a wider range of ways to play games. The variety of possible play-styles needs to be anticipated by designers,

video game complexity reinforcement learning automated testing play-styles

发现论文，激发创造

基于奖励的可配置智能体：游戏风格连续体生成

本文提出了一种利用强化学习算法设计视频游戏测试的方法 --CARI 代理，相比于传统的基于奖励函数规划的算法，CARI 能更好地模拟多样的游戏风格，并能够通过单次训练达到传统方法的多倍效果，该新型代理可以用于游戏行为及平衡性调整等方面的研究。

Nov, 2022

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

关于团队运动比赛中的多智能体学习

本文提出了一种分层训练智能体的方法，以期在团队运动游戏中实现类似于人类的风格和高水平的表现，初步结果显示所提出的方法具有解决多智能体学习问题的潜力。

Jun, 2019

机械化创造者 2.0：用于评估生成规则的强化学习

研究利用强化学习作为近似函数来生成游戏规则，通过在 Unity 中重新创建了一个新的开源规则生成框架，实验结果表明强化学习可以生成与 A * 代理基线不同的规则，可能更适合人类使用。

Sep, 2023

在 AAA 游戏中部署强化学习测试代理的技术挑战

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

代码合成的自动生成单元测试数据与演员 - 评论者强化学习

自动获取适用于代码合成模型的强化学习训练数据，结合简单而有效的演员 - 评论家强化学习训练方案，提高预训练代码语言模型的性能。

Oct, 2023

强化学习智能体自动生成目标

提出了一种基于 Adversarial training 的方法，用于 Reinforcement learning 中任务发现的问题，可以实现在不需要任何先验环境知识的情况下，对多元化任务的高效自动学习，并且能够解决传统上存在的稀疏奖励问题。

May, 2017

基于模拟的策略分析的蒙特卡罗树搜索

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

使用 NEAT 和强化学习无限制地玩 2D 游戏

本研究采用 “Flappy Bird” 游戏环境，对比 NeuroEvolution of Augmenting Topologies (NEAT) 算法和强化学习算法在人工智能代理环境下的表现，探讨具有不同初始人工智能代理种群的算法性能。

Jul, 2022

使用深度强化学习在 Gran Turismo Sport 中实现超人类表现

本文提出了一种基于深度强化学习、高保真的物理模拟和课程进展奖励的学习系统，用于 Gran Turismo Sport 自动汽车竞赛，并在超过 50,000 名人类玩家数据集中，实现了超越自带 AI 和人类最快驾驶者的自主赛车性能。

Aug, 2020