論文の概要: Generating Lode Runner Levels by Learning Player Paths with LSTMs
- arxiv url: http://arxiv.org/abs/2107.12532v1
- Date: Tue, 27 Jul 2021 00:48:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-28 14:36:09.296962
- Title: Generating Lode Runner Levels by Learning Player Paths with LSTMs
- Title(参考訳): LSTMを用いた学習者パスによるロードランナーレベルの生成
- Authors: Kynan Sorochan, Jerry Chen, Yakun Yu, and Matthew Guzdial
- Abstract要約: 本稿では,人間的な経路を学習し,その経路に基づいてレベルを生成することによって,課題に対処しようとする。
ゲームプレイビデオからプレーヤパスデータを抽出し、LSTMをトレーニングし、このデータに基づいて新たなパスを生成し、このパスデータに基づいてゲームレベルを生成する。
我々は,既存のPCGMLアプローチと比較して,ゲームLode Runnerのコヒーレントなレベルが向上することが実証された。
- 参考スコア(独自算出の注目度): 2.199085230546853
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning has been a popular tool in many different fields, including
procedural content generation. However, procedural content generation via
machine learning (PCGML) approaches can struggle with controllability and
coherence. In this paper, we attempt to address these problems by learning to
generate human-like paths, and then generating levels based on these paths. We
extract player path data from gameplay video, train an LSTM to generate new
paths based on this data, and then generate game levels based on this path
data. We demonstrate that our approach leads to more coherent levels for the
game Lode Runner in comparison to an existing PCGML approach.
- Abstract(参考訳): 機械学習は、手続き的コンテンツ生成など、さまざまな分野で人気があるツールだ。
しかし、機械学習(PCGML)アプローチによる手続き的コンテンツ生成は、制御性と一貫性に苦慮する可能性がある。
本稿では,人間的な経路を学習し,その経路に基づいてレベルを生成することによって,これらの問題に対処しようとする。
ゲームプレイ映像からプレイヤーパスデータを抽出し、LSTMをトレーニングし、このデータに基づいて新たなパスを生成し、このパスデータに基づいてゲームレベルを生成する。
我々は,既存のPCGMLアプローチと比較して,ゲームLode Runnerのコヒーレントなレベルが向上することが実証された。
関連論文リスト
- Backward Lens: Projecting Language Model Gradients into the Vocabulary
Space [94.85922991881242]
勾配行列は、その前方および後方の入力の低ランク線形結合としてキャスト可能であることを示す。
次に、これらの勾配を語彙項目に投影する手法を開発し、新しい情報がLMのニューロンにどのように格納されているかのメカニズムを探索する。
論文 参考訳(メタデータ) (2024-02-20T09:57:08Z) - Accelerate Multi-Agent Reinforcement Learning in Zero-Sum Games with
Subgame Curriculum Learning [65.36326734799587]
ゼロサムゲームのための新しいサブゲームカリキュラム学習フレームワークを提案する。
エージェントを以前に訪れた状態にリセットすることで、適応的な初期状態分布を採用する。
我々は,2乗距離をNE値に近似するサブゲーム選択指標を導出する。
論文 参考訳(メタデータ) (2023-10-07T13:09:37Z) - Learning Vision-and-Language Navigation from YouTube Videos [89.1919348607439]
視覚言語ナビゲーション(VLN)は、自然言語命令を用いて現実的な3D環境をナビゲートするために、具体化されたエージェントを必要とする。
YouTubeには大量のハウスツアービデオがあり、豊富なナビゲーション体験とレイアウト情報を提供している。
住宅ツアービデオから合理的な経路指示ペアとエージェントを事前訓練した大規模データセットを作成する。
論文 参考訳(メタデータ) (2023-07-22T05:26:50Z) - 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) - Silver-Bullet-3D at ManiSkill 2021: Learning-from-Demonstrations and
Heuristic Rule-based Methods for Object Manipulation [118.27432851053335]
本稿では,SAPIEN ManiSkill Challenge 2021: No Interaction Trackにおいて,以下の2つのトラックを対象としたシステムの概要と比較分析を行った。
No Interactionは、事前に収集された実証軌道からの学習ポリシーのターゲットを追跡する。
このトラックでは,タスクを一連のサブタスクに分解することで,高品質なオブジェクト操作をトリガするHuristic Rule-based Method (HRM) を設計する。
各サブタスクに対して、ロボットアームに適用可能なアクションを予測するために、単純なルールベースの制御戦略が採用されている。
論文 参考訳(メタデータ) (2022-06-13T16:20:42Z) - 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) - Toward Co-creative Dungeon Generation via Transfer Learning [1.590611306750623]
機械学習による共同制作の手続き的コンテンツ生成(PCGML)は、PCGMLエージェントと人間が協調して出力コンテンツを生成するシステムを指す。
共同創造型PCGMLの限界の1つは、PCGMLエージェントが人間と対話することを学ぶために、共同創造型トレーニングデータが必要であることである。
本稿では,人間とAIのインタラクションデータの近似と移動学習を用いて,学習した共創造的知識をゲームから別のゲームに適応させる手法を提案する。
論文 参考訳(メタデータ) (2021-07-27T00:54:55Z) - Ensemble Learning For Mega Man Level Generation [2.6402344419230697]
マルコフ連鎖のアンサンブルを用いて, EmphMega Man レベルをプロシージャ的に生成する方法について検討した。
我々は,既存のマルコフ連鎖アプローチと比較し,演奏性およびスタイル的類似度の評価を行った。
論文 参考訳(メタデータ) (2021-07-27T00:16:23Z) - PathBench: A Benchmarking Platform for Classical and Learned Path
Planning Algorithms [59.3879573040863]
パスプランニングは、モバイルロボティクスの重要なコンポーネントです。
アルゴリズムを全体的あるいは統一的にベンチマークする試みはほとんど行われていない。
本稿では,パスプランニングアルゴリズムの開発,視覚化,トレーニング,テスト,ベンチマークを行うプラットフォームであるPathBenchについて述べる。
論文 参考訳(メタデータ) (2021-05-04T21:48:18Z) - Exploring Level Blending across Platformers via Paths and Affordances [5.019592823495709]
複数のドメインにまたがる新しいゲームコンテンツを作成するための新しいPCGMLアプローチを提案する。
6つの異なるプラットフォームゲームからデータをエンコードし、このデータに基づいて変分オートエンコーダを訓練するために、新しい価格とパス語彙を使用します。
論文 参考訳(メタデータ) (2020-08-22T16:43:25Z) - Learning to Generate Levels From Nothing [5.2508303190856624]
演奏レベルを設計するジェネレーティブ・プレイング・ネットワークを提案する。
このアルゴリズムは、ゲームのレベルを学習するエージェントと、プレイ可能なレベルの分布を学習するジェネレータの2つの部分で構成されている。
本研究では,2次元ダンジョンクローラゲームにおけるエージェントとレベルジェネレータの訓練により,このフレームワークの能力を示す。
論文 参考訳(メタデータ) (2020-02-12T22:07:23Z)
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。