論文の概要: Go-Explore Complex 3D Game Environments for Automated Reachability Testing

• arxiv url: http://arxiv.org/abs/2209.00570v1
• Date: Thu, 1 Sep 2022 16:31:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-02 13:38:42.087262
• Title: Go-Explore Complex 3D Game Environments for Automated Reachability Testing
• Title（参考訳）: 自動到達性テストのための複雑な3Dゲーム環境
• Authors: Cong Lu, Raluca Georgescu, Johan Verwey
• Abstract要約: 本稿では,強力な探索アルゴリズムであるGo-Exploreに基づいて,シミュレーションされた3次元環境における到達性バグを対象とするアプローチを提案する。 Go-Exploreはマップ全体でユニークなチェックポイントを保存し、そこから探索する有望なチェックポイントを特定する。 我々のアルゴリズムは1台のマシンで10時間以内に1.5km x 1.5kmのゲーム世界を完全にカバーできる。
• 参考スコア（独自算出の注目度）: 4.322647881761983
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern AAA video games feature huge game levels and maps which are increasingly hard for level testers to cover exhaustively. As a result, games often ship with catastrophic bugs such as the player falling through the floor or being stuck in walls. We propose an approach specifically targeted at reachability bugs in simulated 3D environments based on the powerful exploration algorithm, Go-Explore, which saves unique checkpoints across the map and then identifies promising ones to explore from. We show that when coupled with simple heuristics derived from the game's navigation mesh, Go-Explore finds challenging bugs and comprehensively explores complex environments without the need for human demonstration or knowledge of the game dynamics. Go-Explore vastly outperforms more complicated baselines including reinforcement learning with intrinsic curiosity in both covering the navigation mesh and number of unique positions across the map discovered. Finally, due to our use of parallel agents, our algorithm can fully cover a vast 1.5km x 1.5km game world within 10 hours on a single machine making it extremely promising for continuous testing suites.
• Abstract（参考訳）: 現代のaaaビデオゲームは巨大なゲームレベルとマップを備えており、レベルテスターが徹底的にカバーすることがますます困難になっている。 その結果、ゲームはしばしば、プレイヤーが床から落ちたり、壁に閉じ込められたりするなどの破滅的なバグと共に出荷される。 本稿では,地図上のユニークなチェックポイントを節約し,そこから探索する有望なものを識別する,強力な探索アルゴリズムであるGo-Exploreに基づいて,シミュレーションされた3D環境における到達可能性バグを対象とするアプローチを提案する。 ゲームのナビゲーションメッシュから派生した単純なヒューリスティックと組み合わせると、go-exploreは難しいバグを発見し、人間のデモやゲームダイナミクスの知識を必要とせずに複雑な環境を包括的に探索する。 Go-Exploreは、ナビゲーションメッシュをカバーし、マップ全体にわたるユニークな位置の数の両方において、固有の好奇心を持つ強化学習を含む、より複雑なベースラインをはるかに上回る。 最後に,並列エージェントの使用により,1台のマシン上で10時間以内に1.5km x 1.5kmのゲーム世界を完全にカバーできるため,連続テストスイートに極めて有望である。

関連論文リスト

• WILD-SCAV: Benchmarking FPS Gaming AI on Unity3D-based Environments [5.020816812380825]
  深部強化学習(RL)の最近の進歩は,シミュレーション環境における複雑な意思決定能力を示している。 しかしながら、これらは、トレーニングやテストが行われる環境の複雑さやバリエーションが欠如しているため、より複雑な問題はほとんどありません。 我々は,このギャップを埋めるために,3次元オープンワールドFPSゲームに基づく,強力でオープンな環境であるWILD-SCAVを開発した。 エージェントは3D環境を理解し、ナビゲートし、計画し、人間のような方法で競争し、協力することができる。
  論文  参考訳（メタデータ） (2022-10-14T13:39:41Z)
• Inspector: Pixel-Based Automated Game Testing via Exploration, Detection, and Investigation [116.41186277555386]
  Inspectorは、ゲームと深く統合することなく、異なるゲームに容易に適用できるゲームテストエージェントである。 インスペクタは純粋にピクセル入力に基づいており、ゲームスペースエクスプローラー、キーオブジェクト検出器、人間に似たオブジェクトインスペクタの3つの重要なモジュールから構成されている。 実験結果は,ゲーム空間の探索,キーオブジェクトの検出,オブジェクトの調査におけるインスペクタの有効性を示す。
  論文  参考訳（メタデータ） (2022-07-18T04:49:07Z)
• Learning to Identify Perceptual Bugs in 3D Video Games [1.370633147306388]
  そこで本研究では,学習に基づく手法を用いて,知覚的バグの範囲を同定できることを示す。 World of Bugs (WOB)は、3Dゲーム環境でABDメソッドをテストするオープンプラットフォームである。
  論文  参考訳（メタデータ） (2022-02-25T18:50:11Z)
• CCPT: Automatic Gameplay Testing and Validation with Curiosity-Conditioned Proximal Trajectories [65.35714948506032]
  Curiosity-Conditioned Proximal Trajectories (CCPT)法は、好奇心と模倣学習を組み合わせてエージェントを訓練して探索する。 CCPTが複雑な環境を探索し、ゲームプレイの問題を発見し、その過程におけるデザインの監視を行い、それらをゲームデザイナーに直接認識し、強調する方法について説明する。
  論文  参考訳（メタデータ） (2022-02-21T09:08:33Z)
• Graph augmented Deep Reinforcement Learning in the GameRLand3D environment [11.03710870581386]
  強化学習で訓練された低レベルポリシーとグラフに基づく高レベル古典プランナを組み合わせたハイブリッド手法を提案する。 本研究では,広範囲な環境下でのエンドツーエンドの深部RLアプローチの限界を定量的に検証する。 また、新しいベンチマークである"GameRLand3D"を導入し、間もなくリリースされる環境では、ナビゲーションタスクのための複雑な手続き型3Dマップを生成することができる。
  論文  参考訳（メタデータ） (2021-12-22T08:48:00Z)
• Vision-Based Mobile Robotics Obstacle Avoidance With Deep Reinforcement Learning [49.04274612323564]
  障害物回避は、移動ロボットの自律ナビゲーションのための根本的かつ困難な問題です。 本稿では,ロボットが単一眼カメラにのみ依存しなければならない単純な3D環境における障害物回避の問題を検討する。 データ駆動型エンドツーエンドディープラーニングアプローチとして,障害回避問題に取り組む。
  論文  参考訳（メタデータ） (2021-03-08T13:05:46Z)
• Deep Reinforcement Learning for Navigation in AAA Video Games [7.488317734152585]
  ビデオゲームでは、プレイヤーの体験を高めるために非プレイヤーキャラクター(NPC)が使用される。 ビデオゲーム業界におけるNPCナビゲーションの最も一般的なアプローチは、ナビゲーションメッシュ(NavMesh)を使用することである。 本稿では,Deep Reinforcement Learning (Deep RL) を用いて,任意のナビゲーション能力を用いて3Dマップのナビゲート方法を学ぶことを提案する。
  論文  参考訳（メタデータ） (2020-11-09T21:07:56Z)
• Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
  そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。 エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。 われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
  論文  参考訳（メタデータ） (2020-08-21T03:16:51Z)
• Active Visual Information Gathering for Vision-Language Navigation [115.40768457718325]
  視覚言語ナビゲーション(VLN)は、エージェントがフォトリアリスティックな環境の中でナビゲーションの指示を行うためのタスクである。 VLNの重要な課題の1つは、曖昧な指示による不確実性を緩和し、環境の観察を不十分にすることで、堅牢なナビゲーションを行う方法である。 この研究は、人間のナビゲーション行動からインスピレーションを得て、よりインテリジェントなVLNポリシーのためのアクティブな情報収集能力を持つエージェントを提供する。
  論文  参考訳（メタデータ） (2020-07-15T23:54:20Z)
• BADGR: An Autonomous Self-Supervised Learning-Based Navigation System [158.6392333480079]
  BadGRは、エンドツーエンドの学習ベースのモバイルロボットナビゲーションシステムである。 実際の環境で収集された、自己監督型のオフポリシーデータでトレーニングすることができる。 BadGRは、幾何学的に邪魔な障害物を伴って、現実世界の都市やオフロード環境をナビゲートすることができる。
  論文  参考訳（メタデータ） (2020-02-13T18:40:21Z)

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。