論文の概要: Online Game Level Generation from Music

• arxiv url: http://arxiv.org/abs/2207.05271v1
• Date: Tue, 12 Jul 2022 02:44:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-13 13:55:09.464357
• Title: Online Game Level Generation from Music
• Title（参考訳）: 音楽によるオンラインゲームレベル生成
• Authors: Ziqi Wang, Jialin Liu
• Abstract要約: OPARLは経験駆動強化学習と制御可能な強化学習に基づいている。 局所探索とk-アネレスト近傍に基づく新しい制御ポリシーを提案し、レベルジェネレータを制御するためにOPARLに統合した。 シミュレーションに基づく実験の結果、OPARLの実装は、オンライン方式で異なる人工プレーヤーに対する音楽のエネルギーのダイナミクスに適合する難易度で演奏可能なレベルを生成する能力を有することが示された。
• 参考スコア（独自算出の注目度）: 10.903226537887557
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Game consists of multiple types of content, while the harmony of different content types play an essential role in game design. However, most works on procedural content generation consider only one type of content at a time. In this paper, we propose and formulate online level generation from music, in a way of matching a level feature to a music feature in real-time, while adapting to players' play speed. A generic framework named online player-adaptive procedural content generation via reinforcement learning, OPARL for short, is built upon the experience-driven reinforcement learning and controllable reinforcement learning, to enable online level generation from music. Furthermore, a novel control policy based on local search and k-nearest neighbours is proposed and integrated into OPARL to control the level generator considering the play data collected online. Results of simulation-based experiments show that our implementation of OPARL is competent to generate playable levels with difficulty degree matched to the ``energy'' dynamic of music for different artificial players in an online fashion.
• Abstract（参考訳）: ゲームは複数のタイプのコンテンツで構成され、異なるコンテンツタイプの調和はゲームデザインにおいて重要な役割を果たす。 しかしながら、手続き的コンテンツ生成に関するほとんどの研究は、一度にひとつのタイプのコンテンツしか考慮していない。 本稿では,プレイヤーの演奏速度に適応しつつ,リアルタイムに演奏機能と音楽機能とを一致させる方法で,音楽からオンラインレベルの生成を提案し,定式化する。 オンラインプレイヤー適応型プロシージャコンテンツ生成フレームワークであるOPARLは、経験駆動型強化学習と制御可能な強化学習に基づいて、音楽からオンラインレベルの生成を可能にする。 さらに, ローカル検索とk-アネレスト近傍に基づく新しい制御ポリシーを提案し, OPARLに統合し, オンラインで収集したプレイデータを考慮したレベルジェネレータを制御する。 シミュレーションに基づく実験の結果、OPARLの実装は、オンライン方式で異なる人工プレイヤーのための「エネルギー」のダイナミックな音楽に適合する難易度で演奏可能なレベルを生成する能力を持つことが示された。

関連論文リスト

• Simple and Controllable Music Generation [94.61958781346176]
  MusicGenは単一の言語モデル(LM)であり、圧縮された離散的な音楽表現、すなわちトークンの複数のストリームで動作する。 以前の作業とは異なり、MusicGenはシングルステージのトランスフォーマーLMと効率的なトークンインターリービングパターンで構成されている。
  論文  参考訳（メタデータ） (2023-06-08T15:31:05Z)
• DIAMBRA Arena: a New Reinforcement Learning Platform for Research and Experimentation [91.3755431537592]
  本研究は、強化学習研究と実験のための新しいプラットフォームであるDIAMBRA Arenaを提示する。 高品質な環境のコレクションが,OpenAI Gym標準に完全に準拠したPython APIを公開している。 これらは、離散的なアクションと観測を生のピクセルと追加の数値で構成したエピソディックなタスクである。
  論文  参考訳（メタデータ） (2022-10-19T14:39:10Z)
• Procedural Content Generation using Neuroevolution and Novelty Search for Diverse Video Game Levels [2.320417845168326]
  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。
  論文  参考訳（メタデータ） (2022-04-14T12:54:32Z)
• 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)
• Video Game Level Repair via Mixed Integer Linear Programming [20.815591392882716]
  提案フレームワークは,人為的な実例で訓練されたGAN(Generative Adversarial Network)を用いてレベルを構築し,遊び性制約のある混合整数線形プログラム(MIP)を用いてそれらを修復する。 以上の結果から,提案フレームワークは多種多様なプレイ可能なレベルを生成し,人間に許可されたレベルのオブジェクト間の空間的関係をキャプチャする。
  論文  参考訳（メタデータ） (2020-10-13T18:37:58Z)
• 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)
• 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)
• Controllable Level Blending between Games using Variational Autoencoders [6.217860411034386]
  スーパーマリオブラザーズとキッド・イカラスのレベルデータに基づいてVAEをトレーニングし、両方のゲームにまたがる潜伏空間を捕捉できるようにします。 次に、この空間を用いて、両方のゲームからレベルの特性を組み合わせたレベルセグメントを生成する。 これらの余裕は、特に共同創造的レベルの設計にVAEベースのアプローチを適していると我々は主張する。
  論文  参考訳（メタデータ） (2020-02-27T01:38:35Z)
• 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)
• RL-Duet: Online Music Accompaniment Generation Using Deep Reinforcement Learning [69.20460466735852]
  本稿では,オンライン伴奏生成のための深層強化学習アルゴリズムを提案する。 提案アルゴリズムは人体に応答し,メロディック,ハーモニック,多種多様な機械部品を生成する。
  論文  参考訳（メタデータ） (2020-02-08T03:53:52Z)
• 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。