論文の概要: Procedural Content Generation using Neuroevolution and Novelty Search
for Diverse Video Game Levels
- arxiv url: http://arxiv.org/abs/2204.06934v1
- Date: Thu, 14 Apr 2022 12:54:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-17 00:18:08.233739
- Title: Procedural Content Generation using Neuroevolution and Novelty Search
for Diverse Video Game Levels
- Title(参考訳): ニューロ進化とノベルティ検索による多言語ゲームレベルのプロシージャコンテンツ生成
- Authors: Michael Beukman and Christopher W Cleghorn and Steven James
- Abstract要約: 手続き的に生成されたビデオゲームコンテンツは、ゲーム開発者や大手スタジオのコンテンツ制作予算を大幅に削減する可能性がある。
しかし、採用の妨げとなるのは、遅い生成や品質の低下、コンテンツの多様性といった制限だ。
進化的探索に基づく進化的探索手法を導入し,様々なレベルをリアルタイムでプロシージャ的に生成する手法を提案する。
- 参考スコア(独自算出の注目度): 2.320417845168326
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Procedurally generated video game content has the potential to drastically
reduce the content creation budget of game developers and large studios.
However, adoption is hindered by limitations such as slow generation, as well
as low quality and diversity of content. We introduce an evolutionary
search-based approach for evolving level generators using novelty search to
procedurally generate diverse levels in real time, without requiring training
data or detailed domain-specific knowledge. We test our method on two domains,
and our results show an order of magnitude speedup in generation time compared
to existing methods while obtaining comparable metric scores. We further
demonstrate the ability to generalise to arbitrary-sized levels without
retraining.
- Abstract(参考訳): 手続き的に生成されたビデオゲームコンテンツは、ゲーム開発者や大手スタジオのコンテンツ制作予算を大幅に削減する可能性がある。
しかし、採用は、遅い生成や、品質の低下やコンテンツの多様性といった制限によって妨げられている。
本稿では,学習データや詳細なドメイン固有知識を必要とせずに,新規性探索を用いた進化的階層生成手法を提案する。
提案手法を2つの領域でテストし,既存の手法と比較して生成速度が桁違いに向上し,比較測定値を得た。
さらに,リトレーニングを行わずに任意のサイズのレベルに一般化する能力を示す。
関連論文リスト
- DARLEI: Deep Accelerated Reinforcement Learning with Evolutionary
Intelligence [77.78795329701367]
本稿では,進化アルゴリズムと並列化強化学習を組み合わせたフレームワークであるDARLEIを提案する。
我々はDARLEIの性能を様々な条件で特徴付け、進化形態の多様性に影響を与える要因を明らかにした。
今後DARLEIを拡張して、よりリッチな環境における多様な形態素間の相互作用を取り入れていきたいと考えています。
論文 参考訳(メタデータ) (2023-12-08T16:51:10Z) - On the Convergence of No-Regret Learning Dynamics in Time-Varying Games [89.96815099996132]
時間変化ゲームにおける楽観的勾配降下(OGD)の収束を特徴付ける。
我々のフレームワークは、ゼロサムゲームにおけるOGDの平衡ギャップに対して鋭い収束境界をもたらす。
また,静的ゲームにおける動的後悔の保証に関する新たな洞察も提供する。
論文 参考訳(メタデータ) (2023-01-26T17:25:45Z) - Combining Evolutionary Search with Behaviour Cloning for Procedurally
Generated Content [2.7412662946127755]
ゲームレベルの手続き的コンテンツ生成の問題について考察する。
従来のアプローチは、多様なレベルを生成することができる進化探索(ES)手法に依存していた。
本稿では,ESとRLの長所を組み合わせた手続き的コンテンツ生成問題に対処する枠組みを提案する。
論文 参考訳(メタデータ) (2022-07-29T16:25:52Z) - Towards Objective Metrics for Procedurally Generated Video Game Levels [2.320417845168326]
シミュレーションに基づく評価指標を2つ導入し, 生成レベルの多様性と難易度を測定した。
我々の多様性指標は、現在の方法よりも、レベルサイズや表現の変化に対して堅牢であることを示す。
難易度基準は、テスト済みのドメインの1つで既存の難易度推定と相関するが、他のドメインではいくつかの課題に直面している。
論文 参考訳(メタデータ) (2022-01-25T14:13:50Z) - Evaluating Continual Learning Algorithms by Generating 3D Virtual
Environments [66.83839051693695]
連続学習とは、人間や動物が特定の環境で徐々に学習する能力である。
本稿では3次元仮想環境の最近の進歩を活用して,フォトリアリスティックな外観を持つ潜在的に長寿命な動的シーンの自動生成にアプローチすることを提案する。
本論文の新たな要素は、シーンがパラメトリックな方法で記述され、エージェントが知覚する入力ストリームの視覚的複雑さを完全に制御できることである。
論文 参考訳(メタデータ) (2021-09-16T10:37:21Z) - Deep Learning for Procedural Content Generation [14.533560910477693]
ゲームにおけるコンテンツ生成を中心とした研究分野は10年以上にわたって存在してきた。
ディープ・ラーニングは、コンテンツ制作において顕著な発明を推進してきた。
本稿では,ゲームコンテンツを直接的あるいは間接的に生成するための様々なディープラーニング手法について検討する。
論文 参考訳(メタデータ) (2020-10-09T13:08:37Z) - Co-generation of game levels and game-playing agents [4.4447051343759965]
本稿では, PoET-Inspired Neuroevolutionary System for Kreativity (PINSKY) をゲームで紹介する。
その結果,PINSKYがゲームレベルのカリキュラムを生成できることが示され,コンテンツ生成と人工生活の交差点における研究の新たな道が開かれた。
論文 参考訳(メタデータ) (2020-07-16T17:48:05Z) - Incorporating Music Knowledge in Continual Dataset Augmentation for
Music Generation [69.06413031969674]
Aug-Genは、リソース制約のあるドメインでトレーニングされた任意の音楽生成システムに対するデータセット拡張の方法である。
我々は、Aug-Gen をトランスフォーマーベースのコラール生成に J.S. Bach のスタイルで適用し、これによりより長いトレーニングが可能となり、より優れた生成出力が得られることを示す。
論文 参考訳(メタデータ) (2020-06-23T21:06:15Z) - Human Motion Transfer from Poses in the Wild [61.6016458288803]
人間の動き伝達の問題に対処し、基準映像からの動きを模倣する対象人物のための新しい動き映像を合成する。
推定ポーズを用いて2つのドメインをブリッジするビデオ間翻訳タスクである。
トレーニング中に見つからない線内ポーズシーケンスであっても、時間的に一貫性のある高品質なビデオを生成するための新しいポーズ・ツー・ビデオ翻訳フレームワークを提案する。
論文 参考訳(メタデータ) (2020-04-07T05:59:53Z) - Non-Adversarial Video Synthesis with Learned Priors [53.26777815740381]
我々は、参照入力フレームを使わずに、遅延雑音ベクトルからビデオを生成する問題に焦点をあてる。
本研究では,入力潜時空間,繰り返しニューラルネットワークの重み付け,非対角学習によるジェネレータを協調的に最適化する手法を開発した。
提案手法は,既存の最先端手法と比較して高品質なビデオを生成する。
論文 参考訳(メタデータ) (2020-03-21T02:57:33Z) - 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。