May, 2024

自动化电子游戏测试的多智能体合作方法

PDF
TL;DR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。
automated testingcomputer gamesagent-based approachcooperative test agentsmulti-player games
发现论文，激发创造
  • 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

  • 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

  • 自动化的电子游戏 beta 测试方法

    这篇论文探讨了自动化游戏测试的方法，特别关注游戏开发的 AAA 级别、质量保证任务和测试人员的自动化需求。

    Feb, 2024

  • 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

  • GameGPT: 游戏开发的多智能体协作框架

    本研究提出了 GameGPT，一个多智能体协作框架，以自动化游戏开发。通过双重协作和分层方法，并应用多种内部词汇表，在规划、任务识别和实施阶段缓解幻觉和冗余问题。此外，还引入了一种解耦方法，以实现更精确的代码生成。

    Oct, 2023

  • 神经 MMO：用于智能体训练和评估的大规模多智能体游戏环境

    通过模拟 MMORPG 游戏和真实世界中的有限资源竞争环境，研究了大规模多智能体交互的学习和发展，实验表明，种群规模可以放大并刺激技能行为发展，产生优于小规模训练的代理人。

    Mar, 2019

  • 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

  • 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

  • 多智能体学习中的合作回顾

    多智能体学习是一门涉及博弈论、经济学、社会科学和进化生物学等众多学科交叉的主题。本文概述了多智能体学习的基本概念、问题设置和算法，包括增强学习、多智能体序列决策、多智能体合作的挑战，对最近进展进行了全面综述和相关度量评估，并讨论了该领域的开放性挑战，以期激发新的研究方向。

    Dec, 2023

  • 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