Jul, 2023

在 AAA 游戏中部署强化学习测试代理的技术挑战

PDF
TL;DR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。
research to productionlarge-scale game productionexperimental reinforcement learning systemautomated game testing solutionreinforcement learning in game production
发现论文，激发创造
  • 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

  • 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

    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

  • 塔防游戏中高级策略控制的强化学习

    提出一种自动化的游戏测试和验证方法，结合传统脚本方法和强化学习以适应新情况，测试结果表明使用学习方法和脚本人工智能相结合的代理比单独使用启发式人工智能更强大和稳健，成功率达到 57.12%。

    Jun, 2024

  • 利用人工智能探索游戏玩法

    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

  • 战争游戏中智能代理的规模化

    未来与先进技术竞争对手保持竞争力需要加快我们在战争推演中人工智能（AI）的研发。更重要的是，利用机器学习进行智能战斗行为开发将成为未来实现超人类表现的关键，提高未来战争决策的质量和加速速度。尽管深度强化学习（RL）在智能代理行为开发方面仍然显示出有希望的结果，但在战斗模拟中通常遇到的长远、复杂任务中尚未达到或超过人类水平。充分利用 RL 的成功潜力和分层强化学习（HRL）的最新成功，我们的研究正在探索和扩展 HRL 的使用，以创建能在这些庞大而复杂的模拟环境中有效执行的智能代理。我们的最终目标是开发出一个能够具有超人类表现的代理，然后作为军事规划者和决策者的人工智能顾问。本文介绍了我们正在进行的方法以及我们的五个研究领域中的前三个，旨在管理迅速增长的计算，这些计算迄今为止限制了 AI 在战斗模拟中的使用: （1）为作战单位开发 HRL 训练框架和代理架构；（2）开发代理决策的多模型框架；（3）开发维度不变的状态空间观察抽象化以管理计算的指数增长；（4）开发内在奖励引擎以实现长期规划；（5）将该框架实施到更高保真度的战斗模拟中。

    Feb, 2024

  • 商业游戏中创造代理的挑战和机会：“笨重且费时” 的问题

    该研究通过对 AAA 工作室、独立工作室和工业研究实验室的 17 位游戏代理创作者的访谈，揭示了游戏代理制作面临的设计、实现和评估等几个方面的挑战。并与学术研究相比较，指出未来研究中支持游戏产业代理创作的方向。

    Sep, 2020

  • 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

  • 规模化即是所需：利用 JAX 加速强化学习训练自动驾驶强化策略

    通过大规模强化学习应用于自动驾驶，分析了在实验规模逐渐扩大时由此产生的策略表现以及对策略表现的主要影响因素。

    Dec, 2023

  • 用于强化学习纳入工业应用的模块化测试平台

    探索使用强化学习技术来提高制造业生产效率的潜力，以一个模型工厂为例，通过预设规则运输和组装货物，并将蓝色产品送到出口，绿色产品则运往存储。

    Jun, 2023

  • 自动化电子游戏测试的多智能体合作方法

    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