論文の概要: Procedural Content Generation using Behavior Trees (PCGBT)

• arxiv url: http://arxiv.org/abs/2107.06638v1
• Date: Thu, 24 Jun 2021 17:54:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-18 12:20:15.672225
• Title: Procedural Content Generation using Behavior Trees (PCGBT)
• Title（参考訳）: 行動木(PCGBT)を用いた手続き的コンテンツ生成
• Authors: Anurag Sarkar, Seth Cooper
• Abstract要約: 行動木(BT)は、NPCと敵AIの振る舞いをモデル化する一般的な方法である。 ゲームデザインエージェントをモデル化し,動作をコンテンツ生成タスクの実行として定義する。 PCG用のBTは、レベルの一部を生成するための単純なサブツリーをモジュラーに結合して、レベル全体を生成するためのより複雑なツリーを形成することができる。
• 参考スコア（独自算出の注目度）: 7.919213739992465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Behavior trees (BTs) are a popular method of modeling the behavior of NPCs and enemy AI and have found widespread use in a large number of commercial games. In this paper, rather than use BTs to model game-playing agents, we demonstrate their use for modeling game design agents, defining behaviors as executing content generation tasks rather than in-game actions. Similar to how traditional BTs enable modeling behaviors in a modular and dynamic manner, BTs for PCG enable simple subtrees for generating parts of levels to be combined modularly to form more complex trees for generating whole levels as well as generators that can dynamically vary the generated content. We demonstrate this approach by using BTs to model generators for Super Mario Bros., Mega Man and Metroid levels as well as dungeon layouts and discuss several ways in which this PCGBT paradigm could be applied and extended in the future.
• Abstract（参考訳）: 行動木(BT)は、NPCと敵AIの振る舞いをモデル化する一般的な手法であり、多くの商用ゲームで広く使われている。 本稿では,BTを用いてゲームプレイングエージェントをモデル化する代わりに,ゲームデザインエージェントをモデル化し,動作をゲーム内アクションではなくコンテンツ生成タスクの実行として定義する。 従来のBTがモジュール的かつ動的にモデリングの動作を可能にするのと同じように、PCGのBTは、モジュール的にレベルの一部を生成するための単純なサブツリーを可能とし、全体のレベルを生成するためのより複雑なツリーと、生成されたコンテンツを動的に変化させるジェネレータを生成する。 我々は、BTを用いてスーパーマリオブラザーズ、メガマン、メトロイドのジェネレータとダンジョンレイアウトをモデル化し、このPCGBTパラダイムを将来適用し拡張するいくつかの方法について論じる。

関連論文リスト

• TreeSBA: Tree-Transformer for Self-Supervised Sequential Brick Assembly [51.29305265324916]
  入力された多視点画像から連続的な組立動作を予測するために,クラスに依存しないツリー・トランスフォーマフレームワークを提案する。 逐次レンガ組立作業の大きな課題は、ステップワイドアクションラベルが実際に入手するのに費用がかかり、面倒であることである。 我々は、合成から現実への移行学習を活用することにより、この問題を緩和する。
  論文  参考訳（メタデータ） (2024-07-22T14:05:27Z)
• PCGPT: Procedural Content Generation via Transformers [1.515687944002438]
  オフライン強化学習とトランスフォーマーネットワークを用いたプロシージャコンテンツ生成(PCG)の革新的アプローチであるPCGPTフレームワークを提案する。 PCGPTはトランスフォーマーに基づく自己回帰モデルを用いてゲームレベルを反復的に生成し、繰り返し、予測可能、一貫性のないコンテンツといった従来のPCG手法の課題に対処する。
  論文  参考訳（メタデータ） (2023-10-03T19:58:02Z)
• An Extended Convergence Result for Behaviour Tree Controllers [0.0]
  振舞い木(BT)は階層的なハイブリッド制御ポリシーを組み立てるための最適なモジュラー・フレームワークである。 我々は、状態空間の所望部分に到達するという意味で、BTsの収束について研究する。
  論文  参考訳（メタデータ） (2023-08-17T14:05:45Z)
• Promptable Game Models: Text-Guided Game Simulation via Masked Diffusion Models [68.85478477006178]
  ニューラルビデオゲームシミュレータのためのPGM(Promptable Game Model)を提案する。 ユーザーは高レベルのアクションシーケンスと低レベルのアクションシーケンスでゲームを実行することができる。 私たちのPGMは、エージェントの目標をプロンプトの形で指定することで、ディレクターのモードをアンロックします。 提案手法は,既存のニューラルビデオゲームシミュレータのレンダリング品質を著しく上回り,現在の最先端の能力を超えたアプリケーションをアンロックする。
  論文  参考訳（メタデータ） (2023-03-23T17:43:17Z)
• Multi-Game Decision Transformers [49.257185338595434]
  そこで本研究では,1つのトランスフォーマーモデルを用いて,最大46個のAtariゲーム群を,人間に近いパフォーマンスで同時にプレイ可能であることを示す。 オンラインやオフラインのRL手法や行動クローンなど,マルチゲーム設定におけるいくつかのアプローチを比較した。 マルチゲーム決定変換モデルは、最高のスケーラビリティとパフォーマンスを提供します。
  論文  参考訳（メタデータ） (2022-05-30T16:55:38Z)
• Mimicking Playstyle by Adapting Parameterized Behavior Trees in RTS Games [0.0]
  行動木(BT)は、ゲームにおける人工知能(AI)の分野に影響を与えた。 BTは手作りのBTの複雑さをほとんど難なくし、エラーを起こしやすくした。 この分野の最近のトレンドはAIエージェントの自動作成に焦点を当てている。 本稿では,人間のゲームプレイを模倣し一般化する,AIエージェントの半自動構築手法を提案する。
  論文  参考訳（メタデータ） (2021-11-23T20:36:28Z)
• Controllable and Compositional Generation with Latent-Space Energy-Based Models [60.87740144816278]
  制御可能な生成は、現実世界のアプリケーションで深層生成モデルの採用を成功させる上で重要な要件の1つである。 本研究では, エネルギーモデル(EBM)を用いて, 属性の集合上での合成生成を扱う。 エネルギー関数を論理演算子と合成することにより、分解能1024x1024のフォトリアリスティック画像を生成する際に、このような構成性を実現するのはこれが初めてである。
  論文  参考訳（メタデータ） (2021-10-21T03:31:45Z)
• Experience-Driven PCG via Reinforcement Learning: A Super Mario Bros Study [2.2215852332444905]
  このフレームワークは、当初スーパーマリオブラザーズゲームでテストされている。 生成の正確性は、ニューラルネットアシスト進化レベル修復器によって保証される。 提案するフレームワークは、無限にプレイ可能なスーパーマリオブラザーズレベルを生成することができる。
  論文  参考訳（メタデータ） (2021-06-30T08:10:45Z)
• GEM: Group Enhanced Model for Learning Dynamical Control Systems [78.56159072162103]
  サンプルベースの学習が可能な効果的なダイナミクスモデルを構築します。 リー代数ベクトル空間上のダイナミクスの学習は、直接状態遷移モデルを学ぶよりも効果的であることを示す。 この研究は、ダイナミクスの学習とリー群の性質の関連性を明らかにし、新たな研究の方向への扉を開く。
  論文  参考訳（メタデータ） (2021-04-07T01:08:18Z)
• Learning to Simulate Dynamic Environments with GameGAN [109.25308647431952]
  本稿では,エージェントが環境と対話するのを見ることでシミュレーターを学習することを目的とする。 ゲームGANは,学習中にスクリーンプレイやキーボード操作を取り入れることで,所望のゲームを視覚的に模倣することを学習する生成モデルである。
  論文  参考訳（メタデータ） (2020-05-25T14:10:17Z)

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。