Fugu-MT 論文翻訳(概要): Mario Level Generation From Mechanics Using Scene Stitching

論文の概要: Mario Level Generation From Mechanics Using Scene Stitching

arxiv url: http://arxiv.org/abs/2002.02992v1
Date: Fri, 7 Feb 2020 19:44:44 GMT
ステータス: 処理完了
システム内更新日: 2023-01-03 03:32:42.156806
Title: Mario Level Generation From Mechanics Using Scene Stitching
Title（参考訳）: シーンステッチを用いたメカニクスからのマリオレベル生成
Authors: Michael Cerny Green, Luvneesh Mugrai, Ahmed Khalifa and Julian Togelius
Abstract要約: 本システムは,FI-2Popアルゴリズムとシーンのコーパスを用いて,自動レベルのオーサリングを行う。本システムでは, 縫合による創発機構の低減を図り, 整合力学の最大化が可能である。
参考スコア（独自算出の注目度）: 6.32656340734423
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents a level generation method for Super Mario by stitching together pre-generated "scenes" that contain specific mechanics, using mechanic-sequences from agent playthroughs as input specifications. Given a sequence of mechanics, our system uses an FI-2Pop algorithm and a corpus of scenes to perform automated level authoring. The system outputs levels that have a similar mechanical sequence to the target mechanic sequence but with a different playthrough experience. We compare our system to a greedy method that selects scenes that maximize the target mechanics. Our system is able to maximize the number of matched mechanics while reducing emergent mechanics using the stitching process compared to the greedy approach.
Abstract（参考訳）: 本稿では, エージェントプレイスルーからのメカニックシーケンスを入力仕様として, 特定のメカニックを含む「シーン」を縫い合わせることで, スーパーマリオのレベル生成手法を提案する。そこで本システムはFI-2Popアルゴリズムとシーンのコーパスを用いて,自動レベルのオーサリングを行う。システムは、ターゲットのメカニックシーケンスに類似したメカニックシーケンスを持つが、プレイスルーエクスペリエンスが異なるレベルを出力する。我々は,対象のメカニクスを最大化するシーンを選択するグレディ手法と比較した。本システムでは, 縫合法と比較して創発力学を低減しつつ, 整合力学の最大化が可能である。

関連論文リスト

DITTO: Demonstration Imitation by Trajectory Transformation [31.930923345163087]
そこで本研究では,RGB-Dビデオ録画による実演映像のワンショット模倣の問題に対処する。本稿では,2段階のプロセスを提案する。第1段階では実演軌道をオフラインに抽出し,操作対象のセグメンテーションと,容器などの二次物体に対する相対運動を決定する。オンライン軌道生成段階では、まず全ての物体を再検出し、次にデモ軌道を現在のシーンにワープし、ロボット上で実行します。
論文参考訳（メタデータ） (2024-03-22T13:46:51Z)
SG-Bot: Object Rearrangement via Coarse-to-Fine Robotic Imagination on Scene Graphs [81.15889805560333]
本稿では,新しいアレンジメントフレームワークであるSG-Botを紹介する。 SG-Botは軽量でリアルタイムでユーザ制御可能な特性を実証する。実験の結果、SG-Botはライバルよりも大きなマージンで優れていることが示された。
論文参考訳（メタデータ） (2023-09-21T15:54:33Z)
Monte-Carlo Tree Search for Multi-Agent Pathfinding: Preliminary Results [60.4817465598352]
マルチエージェントパスフィンディングに適したモンテカルロ木探索(MCTS)のオリジナル版を紹介する。具体的には,エージェントの目標達成行動を支援するために,個別の経路を用いる。また,木探索手順の分岐係数を低減するために,専用の分解手法を用いる。
論文参考訳（メタデータ） (2023-07-25T12:33:53Z)
A Graph-Based Method for Soccer Action Spotting Using Unsupervised Player Classification [75.93186954061943]
アクションスポッティングには、ゲームのダイナミクス、イベントの複雑さ、ビデオシーケンスのバリエーションを理解することが含まれる。本研究では, (a) 選手, 審判, ゴールキーパーをグラフのノードとして識別し, および (b) 時間的相互作用をグラフのシーケンスとしてモデル化することによって, 前者に焦点を当てる。プレーヤ識別タスクでは,他のモダリティと組み合わせることで,平均mAPの57.83%の総合的な性能が得られる。
論文参考訳（メタデータ） (2022-11-22T15:23:53Z)
Persona-driven Dominant/Submissive Map (PDSM) Generation for Tutorials [5.791285538179053]
本稿では,自動ペルソナ駆動型ビデオゲームチュートリアルレベル生成手法を提案する。手続き的ペルソナを用いて進化するレベルの行動特性を計算する。この研究の中で、生成された地図は、異なるペルソナのような振る舞いを強く促したり、妨げたりする可能性があることを示す。
論文参考訳（メタデータ） (2022-04-11T16:01:48Z)
A Differentiable Recipe for Learning Visual Non-Prehensile Planar Manipulation [63.1610540170754]
視覚的非包括的平面操作の問題に焦点をあてる。本稿では,ビデオデコードニューラルモデルと接触力学の先行情報を組み合わせた新しいアーキテクチャを提案する。モジュラーで完全に差別化可能なアーキテクチャは、目に見えないオブジェクトやモーションの学習専用手法よりも優れていることが分かりました。
論文参考訳（メタデータ） (2021-11-09T18:39:45Z)
Bottom-Up Skill Discovery from Unsegmented Demonstrations for Long-Horizon Robot Manipulation [55.31301153979621]
我々は,実世界の長距離ロボット操作作業に,スキル発見による取り組みを行う。未解決のデモンストレーションから再利用可能なスキルのライブラリを学ぶためのボトムアップアプローチを提案する。提案手法は,多段階操作タスクにおける最先端の模倣学習手法よりも優れた性能を示した。
論文参考訳（メタデータ） (2021-09-28T16:18:54Z)
Game Mechanic Alignment Theory and Discovery [5.5805433423452895]
我々は,ゲームメカニックアライメント理論という新しい概念を提案する。プレイヤーと環境の影響を消し去ることで、自動チュートリアル生成システムで使用するメカニクスをよりよく特定することができる。
論文参考訳（メタデータ） (2021-02-20T03:41:03Z)
Induction and Exploitation of Subgoal Automata for Reinforcement Learning [75.55324974788475]
本稿では,Regressed Learning (RL)タスクにおけるサブゴールの学習と活用のためのISAを提案する。 ISAは、タスクのサブゴールによってエッジがラベル付けされたオートマトンであるサブゴールオートマトンを誘導することで強化学習をインターリーブする。サブゴールオートマトンはまた、タスクの完了を示す状態と、タスクが成功せずに完了したことを示す状態の2つの特別な状態で構成されている。
論文参考訳（メタデータ） (2020-09-08T16:42:55Z)
Illuminating Mario Scenes in the Latent Space of a Generative Adversarial Network [11.055580854275474]
設計者は,我々のシステムにゲームプレイ対策を規定し,様々なレベルのメカニックで高品質な(プレイ可能な)レベルを抽出する方法を示す。オンラインユーザスタディでは、自動生成されるレベルの異なるメカニズムが、認識される困難さと外観の主観的評価にどのように影響するかが示されている。
論文参考訳（メタデータ） (2020-07-11T03:38:06Z)
Mech-Elites: Illuminating the Mechanic Space of GVGAI [6.32656340734423]
本稿では,汎用ゲームレベル生成のためのメカニック照明の完全自動手法を提案する。本手法をGVG-AI(Zelda, Solarfox, Plants, RealPortals)の4ドルでのメカニックスペースに適用する。
論文参考訳（メタデータ） (2020-02-11T23:40:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。