論文の概要: "It's Unwieldy and It Takes a Lot of Time." Challenges and Opportunities for Creating Agents in Commercial Games

• arxiv url: http://arxiv.org/abs/2009.00541v1
• Date: Tue, 1 Sep 2020 16:21:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-23 01:10:23.428319
• Title: "It's Unwieldy and It Takes a Lot of Time." Challenges and Opportunities for Creating Agents in Commercial Games
• Title（参考訳）: 「それは不機嫌で時間がかかります。」 商業ゲームにおけるエージェント作成の課題と機会
• Authors: Mikhail Jacob, Sam Devlin, Katja Hofmann
• Abstract要約: 対戦相手、ノンプレイヤーキャラクター、チームメイトなどのゲームエージェントは、現代の多くのゲームにおいてプレイヤーの経験の中心となっている。 ゲーム産業で使用されるAI技術の展望がより広く機械学習(ML)を採用するように進化するにつれて、研究コミュニティは数十年にわたって業界内で栽培されているベストプラクティスからエージェントを作成することを学ぶことが不可欠である。 AAAスタジオ、インディースタジオ、産業研究所の17人のゲームエージェントクリエーターに、彼らがプロフェッショナル文学で経験した課題についてインタビューした。
• 参考スコア（独自算出の注目度）: 20.63320049616144
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Game agents such as opponents, non-player characters, and teammates are central to player experiences in many modern games. As the landscape of AI techniques used in the games industry evolves to adopt machine learning (ML) more widely, it is vital that the research community learn from the best practices cultivated within the industry over decades creating agents. However, although commercial game agent creation pipelines are more mature than those based on ML, opportunities for improvement still abound. As a foundation for shared progress identifying research opportunities between researchers and practitioners, we interviewed seventeen game agent creators from AAA studios, indie studios, and industrial research labs about the challenges they experienced with their professional workflows. Our study revealed several open challenges ranging from design to implementation and evaluation. We compare with literature from the research community that address the challenges identified and conclude by highlighting promising directions for future research supporting agent creation in the games industry.
• Abstract（参考訳）: 対戦相手、ノンプレイヤーキャラクタ、チームメイトといったゲームエージェントは、多くのモダンゲームにおけるプレイヤー体験の中心である。 ゲーム産業で使用されるAI技術の展望がより広く機械学習(ML)を採用するように進化するにつれて、研究コミュニティは数十年にわたって業界内で栽培されているベストプラクティスからエージェントを作成することを学ぶことが不可欠である。 しかし、商用ゲームエージェント生成パイプラインはMLに基づくものよりも成熟しているが、改善の機会はまだ多い。 我々はAAAスタジオ、インディースタジオ、産業研究所から17人のゲームエージェント・クリエーターに、彼らがプロフェッショナルなワークフローで経験した課題についてインタビューした。 本研究は,設計から実装,評価まで,いくつかの課題を明らかにした。 我々は,ゲーム産業におけるエージェント作成を支援する将来的な研究の方向性を強調し,その課題に対処する研究コミュニティの文献と比較する。

関連論文リスト

• Pre-Release Experimentation in Indie Game Development: An Interview Survey [1.7177796698694294]
  継続的実験(CE)にはユーザデータが必要です。 この課題は、限られた資源を持つ独立した(インディー)ゲーム会社にとってさらに悪化している。 本研究は,インディーゲーム開発の初期段階において,限られたユーザデータを用いた実験を行う上での課題と実践について概説した。
  論文  参考訳（メタデータ） (2024-11-26T07:47:21Z)
• A Survey on Large Language Model-Based Game Agents [9.892954815419452]
  ゲームエージェントの開発は、人工知能(AGI)に進む上で重要な役割を担っている 本稿では, LLMをベースとしたゲームエージェントについて, 総合的な視点から概観する。
  論文  参考訳（メタデータ） (2024-04-02T15:34:18Z)
• A Survey on Game Playing Agents and Large Models: Methods, Applications, and Challenges [29.74898680986507]
  複雑なゲームプレイシナリオにおけるLM使用状況と課題を概観する。 我々は,ゲームにおけるLMの進歩に向けた将来的な研究の道のりについて,今後の展望を述べる。
  論文  参考訳（メタデータ） (2024-03-15T12:37:12Z)
• Visual Encoders for Data-Efficient Imitation Learning in Modern Video Games [13.241655571625822]
  現代のゲームにおけるトレーニングエージェントに向けたアタリゲームを超えることは、研究コミュニティの大部分にとって違法に高価である。 大規模ビジョンモデルの研究、開発、オープンリリースの最近の進歩は、コミュニティ全体でこれらのコストの一部を償却する可能性がある。 本稿では, Minecraft, Minecraft Dungeons および Counter-Strike: Global Offensive の典型的な, タスク固有のエンドツーエンドトレーニングアプローチと比較して, 公開可能なビジュアルエンコーダを用いた模倣学習の体系的研究を行う。
  論文  参考訳（メタデータ） (2023-12-04T19:52:12Z)
• The Rise and Potential of Large Language Model Based Agents: A Survey [91.71061158000953]
  大規模言語モデル(LLM)は、人工知能(AGI)の潜在的な火花と見なされる まず、エージェントの概念を哲学的起源からAI開発まで追跡し、LLMがエージェントに適した基盤である理由を説明します。 単一エージェントシナリオ,マルチエージェントシナリオ,ヒューマンエージェント協調の3つの側面において,LLMベースのエージェントの広範な応用について検討する。
  論文  参考訳（メタデータ） (2023-09-14T17:12:03Z)
• Technical Challenges of Deploying Reinforcement Learning Agents for Game Testing in AAA Games [58.720142291102135]
  本稿では,既存の自動ゲームテストソリューションに,スクリプト型ボットをベースとして,実験的な強化学習システムを追加する取り組みについて述べる。 ゲーム制作において強化学習を活用するためのユースケースを示し、ゲームのために同じ旅をしたいと思う人なら誰でも遭遇する最大の時間をカバーしています。 我々は、機械学習、特にゲーム生産において効果的なツールである強化学習を作るのに価値があり、必要であると考えるいくつかの研究指針を提案する。
  論文  参考訳（メタデータ） (2023-07-19T18:19:23Z)
• SPRING: Studying the Paper and Reasoning to Play Games [102.5587155284795]
  我々は,ゲーム本来の学術論文を読み取るための新しいアプローチ,SPRINGを提案し,大言語モデル(LLM)を通してゲームの説明とプレイの知識を利用する。 実験では,クラフトオープンワールド環境の設定下で,異なる形態のプロンプトによって引き起こされる文脈内「推論」の品質について検討した。 我々の実験は、LLMが一貫したチェーン・オブ・シークレットによって誘導されると、洗練された高レベル軌道の完成に大きな可能性があることを示唆している。
  論文  参考訳（メタデータ） (2023-05-24T18:14:35Z)
• Retrospective on the 2021 BASALT Competition on Learning from Human Feedback [92.37243979045817]
  競争の目的は、人間のフィードバック(LfHF)技術から学び、オープンワールドの課題を解決するエージェントへの研究を促進することであった。 LfHF技術の使用を義務付けるのではなく、ビデオゲームMinecraftで達成すべき自然言語の4つのタスクについて説明した。 チームは、様々な可能な人間のフィードバックタイプにまたがる多様なLfHFアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2022-04-14T17:24:54Z)
• Explore and Control with Adversarial Surprise [78.41972292110967]
  強化学習(Reinforcement Learning, RL)は、目標指向のポリシーを学習するためのフレームワークである。 本稿では,RLエージェントが経験した驚きの量と競合する2つのポリシーを相殺する対戦ゲームに基づく,新しい教師なしRL手法を提案する。 本手法は, 明確な相転移を示すことによって, 複雑なスキルの出現につながることを示す。
  論文  参考訳（メタデータ） (2021-07-12T17:58:40Z)
• Navigating the Landscape of Multiplayer Games [20.483315340460127]
  大規模ゲームの応答グラフにネットワーク測度を適用することで,ゲームのランドスケープを創出できることを示す。 本研究は, 標準ゲームから複雑な経験ゲームまで, 訓練されたエージェント同士のパフォーマンスを計測する領域における知見について述べる。
  論文  参考訳（メタデータ） (2020-05-04T16:58:17Z)
• Neural MMO v1.3: A Massively Multiagent Game Environment for Training and Evaluating Neural Networks [48.5733173329785]
  本稿では,MMOにインスパイアされたマルチエージェントゲーム環境であるNeural MMOを紹介する。 分散インフラストラクチャとゲームIOという,AI研究のためのマルチエージェントシステムエンジニアリングにおける,より一般的な2つの課題について論じる。
  論文  参考訳（メタデータ） (2020-01-31T18:50:02Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。