Feb, 2024

通过规划和学习实现电子游戏测试的自动化

PDF
TL;DR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。
automating testingvideo gameautomated planningaction model learning techniquespddl
发现论文，激发创造
  • 运用模仿学习实现计算机游戏的知情设计和验证辅助

    本研究提出了一种基于数据驱动的模仿学习技术的自动游戏验证和测试方法，该方法需要很少的工作量和时间，设计师们可以用它来高效地训练游戏测试代理。研究结果表明，我们的方法确实是一种有效的游戏验证方法，数据驱动编程也将是减少游戏测试工作量和提高现代游戏测试质量的有用辅助工具。

    Aug, 2022

  • 使用 POMDP 和生成模型实现机器人的即插即用的任务级自主

    该研究论文研究了如何将各种技能集成到机器人控制器中，利用基于概率编程语言的生成式技能文档语言，高效地解决了控制器代码文档化及添加新技能的问题，并通过 POMDP solver 及 AI planning 技术自动规划技能执行顺序，提高了机器人的自主控制性能。

    Jul, 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

  • 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

  • 教学视频中的程序规划

    本文提出 Dual Dynamics Networks（DDN）框架来解决学习结构化的、可规划的状态和动作空间的技术挑战，以应对复杂任务规划的问题；DDN 框架在真实世界的教学视频上展示了更好的规划性能。

    Jul, 2019

  • 从像素和自然语言指令中学习解决体素建筑任务

    采用预训练语言模型生成行动计划是一种很有前途的研究策略，本文提出了一种新的方法，将语言模型与强化学习相结合，用于在类似 Minecraft 的环境中按照自然语言指令构建对象，在 IGLU 2022 竞赛中形成了强化学习基线。

    Nov, 2022

  • 学习对象属性规划

    本文提出了一种利用符号规划的方法，采用先前的训练数据自动训练神经网络识别物体属性的方法，并使用规划技术来自动化训练数据集的创建和学习过程。最后，我们在模拟和真实环境中进行了实验评估，结果表明所提出的方法能够成功地学习如何识别新的物体属性。

    Jan, 2023

  • 基于深度强化学习的自动规划中的目标选择学习

    提出了一种具备学习选择子目标的规划和行动架构，可以在面对有实时限制的场景时减轻规划器的负载。在视频游戏环境中训练了这种架构，并通过测试同一游戏的不同关卡来评估其泛化能力。结果表明，与其他方法相比，该模型在计划质量（计划长度）和时间要求方面表现更好，既比标准的深度 Q 学习更具样本效率，又可以更好地泛化到不同的关卡，同时较现有最先进的自动规划器缩短问题解决时间，但相应地得到的计划行动增加了 9%。

    Jun, 2024

  • 基于 Transformer 的视觉引导规划在程序化任务中的应用

    使用人类决策过程的教学视频培训模型，学习从视频中直接生成可规划结构的状态和行动空间，并使用 Planning Transformer 解决了长期决策的复杂性问题，并通过实验证明了其在达到目标方面的良好性能表现。

    Sep, 2021

  • 部分可观测环境下自主智能体复杂任务的无模型运动规划

    该研究使用无模型强化学习方法解决了部分已知环境下自主智能体的运动规划问题，提出了一种基于线性时态逻辑和 Markov 决策过程的方法，并应用于无人机的实际控制中。

    Apr, 2023