論文の概要: RaidEnv: Exploring New Challenges in Automated Content Balancing for
Boss Raid Games
- arxiv url: http://arxiv.org/abs/2307.01676v1
- Date: Tue, 4 Jul 2023 12:07:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-06 17:09:02.725212
- Title: RaidEnv: Exploring New Challenges in Automated Content Balancing for
Boss Raid Games
- Title(参考訳): RaidEnv: ボスレイドゲームのためのコンテンツバランシング自動化の新たな課題
- Authors: Hyeon-Chang Jeon, In-Chang Baek, Cheong-mok Bae, Taehwa Park, Wonsang
You, Taegwan Ha, Hoyun Jung, Jinha Noh, Seungwon Oh, Kyung-Joong Kim
- Abstract要約: RaidEnvは、MMORPGゲームにおけるボスレイドシナリオのための多種多様なカスタマイズ可能なコンテンツを含む新しいゲームシミュレータである。
自動コンテンツバランシングにおけるAIのガイダンスを提供するために,2つの評価指標を導入する。
- 参考スコア(独自算出の注目度): 1.9851345691234763
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The balance of game content significantly impacts the gaming experience.
Unbalanced game content diminishes engagement or increases frustration because
of repetitive failure. Although game designers intend to adjust the difficulty
of game content, this is a repetitive, labor-intensive, and challenging
process, especially for commercial-level games with extensive content. To
address this issue, the game research community has explored automated game
balancing using artificial intelligence (AI) techniques. However, previous
studies have focused on limited game content and did not consider the
importance of the generalization ability of playtesting agents when
encountering content changes. In this study, we propose RaidEnv, a new game
simulator that includes diverse and customizable content for the boss raid
scenario in MMORPG games. Additionally, we design two benchmarks for the boss
raid scenario that can aid in the practical application of game AI. These
benchmarks address two open problems in automatic content balancing, and we
introduce two evaluation metrics to provide guidance for AI in automatic
content balancing. This novel game research platform expands the frontiers of
automatic game balancing problems and offers a framework within a realistic
game production pipeline.
- Abstract(参考訳): ゲームコンテンツのバランスはゲーム体験に大きな影響を与えます。
不均衡なゲームコンテンツは、繰り返し失敗してエンゲージメントを減らしたり、フラストレーションを増加させる。
ゲームデザイナーはゲームコンテンツの難易度を調整しようとするが、これは反復的で労働集約的で挑戦的なプロセスであり、特に幅広いコンテンツを持つ商業レベルのゲームではそうである。
この問題に対処するため、ゲーム研究コミュニティは人工知能(AI)技術を用いた自動ゲームバランスについて検討した。
しかし,従来の研究は限定的なゲームコンテンツに焦点を当てており,コンテンツの変化に遭遇する際のプレイテストエージェントの一般化能力の重要性を考慮しなかった。
本研究では,mmorpgゲームにおけるboss raidシナリオの多様かつカスタマイズ可能なコンテンツを含む,新しいゲームシミュレータraidenvを提案する。
さらに,ゲームAIの実践的応用に役立つボスレイドシナリオのベンチマークを2つ設計する。
これらのベンチマークは,自動コンテンツバランシングにおける2つのオープン問題に対処し,自動コンテンツバランシングにおけるaiのガイダンスを提供するために,2つの評価指標を導入する。
このゲーム研究プラットフォームは、自動ゲームバランシング問題のフロンティアを拡張し、現実的なゲーム生産パイプライン内でフレームワークを提供する。
関連論文リスト
- Balance, Imbalance, and Rebalance: Understanding Robust Overfitting from
a Minimax Game Perspective [80.51463286812314]
敵対的訓練(AT)はおそらく、頑健な特徴を抽出するための最先端のアルゴリズムである。
ATは、特に学習率(LR)が崩壊した後、深刻な強固な過適合問題に悩まされる。
我々は, LR崩壊が, より強い記憶能力でトレーナーに力を与えることにより, ミニマックスゲーム間のバランスを損なうことを示す。
論文 参考訳(メタデータ) (2023-10-30T09:00:11Z) - Towards General Game Representations: Decomposing Games Pixels into
Content and Style [2.570570340104555]
ゲームのピクセル表現を学習することは、複数の下流タスクにまたがる人工知能の恩恵を受けることができる。
本稿では,コンピュータビジョンエンコーダの汎用化について検討する。
我々は、ゲームジャンルに基づく事前学習されたビジョントランスフォーマーエンコーダと分解技術を用いて、個別のコンテンツとスタイルの埋め込みを得る。
論文 参考訳(メタデータ) (2023-07-20T17:53:04Z) - Technical Challenges of Deploying Reinforcement Learning Agents for Game
Testing in AAA Games [58.720142291102135]
本稿では,既存の自動ゲームテストソリューションに,スクリプト型ボットをベースとして,実験的な強化学習システムを追加する取り組みについて述べる。
ゲーム制作において強化学習を活用するためのユースケースを示し、ゲームのために同じ旅をしたいと思う人なら誰でも遭遇する最大の時間をカバーしています。
我々は、機械学習、特にゲーム生産において効果的なツールである強化学習を作るのに価値があり、必要であると考えるいくつかの研究指針を提案する。
論文 参考訳(メタデータ) (2023-07-19T18:19:23Z) - CommonsenseQA 2.0: Exposing the Limits of AI through Gamification [126.85096257968414]
現代自然言語理解モデルの能力をテストするベンチマークを構築した。
本研究では,データ構築の枠組みとしてゲーミフィケーションを提案する。
論文 参考訳(メタデータ) (2022-01-14T06:49:15Z) - DL-DDA -- Deep Learning based Dynamic Difficulty Adjustment with UX and
Gameplay constraints [0.8594140167290096]
ゲームによって課される他のプレイヤーやマクロ制約を考慮して,ユーザエクスペリエンスを自動的に最適化する手法を提案する。
ゲームデザインの専門家が作成したマニュアルを,20万ドルで実験し,その成果を実演した。
論文 参考訳(メタデータ) (2021-06-06T09:47:15Z) - Fast Game Content Adaptation Through Bayesian-based Player Modelling [6.510061176722249]
本稿では、動的難易度調整(DDA)の文脈でこの目標を実現する新しい方法を検討する。
その目的は、ゲームの内容が常にプレイヤーのスキルレベルに適応し、難しすぎるか難しすぎるかのどちらかの状態を回避し、それらを関与し続けることである。
DDAの現在のシステムは、高価なデータマイニングや、特定のドメイン用に設計された手作りのルールに依存しており、通常はプレイヤーをフローに留めるために適応する。
論文 参考訳(メタデータ) (2021-05-18T12:56:44Z) - Generating Diverse and Competitive Play-Styles for Strategy Games [58.896302717975445]
ターン型戦略ゲーム(Tribes)のためのプログレッシブアンプランによるPortfolio Monte Carlo Tree Searchを提案する。
品質分散アルゴリズム(MAP-Elites)を使用して異なるプレイスタイルを実現し、競争レベルを維持しながらパラメータ化する方法を示します。
その結果,このアルゴリズムは,トレーニングに用いるレベルを超えて,幅広いゲームレベルにおいても,これらの目標を達成できることが示された。
論文 参考訳(メタデータ) (2021-04-17T20:33:24Z) - TotalBotWar: A New Pseudo Real-time Multi-action Game Challenge and
Competition for AI [62.997667081978825]
TotalBotWarは、ゲームAIのための新しい擬似リアルタイムマルチアクションチャレンジだ。
ゲームはTotalWarのゲームシリーズに基づいており、プレイヤーは敵のゲームに勝つために軍隊を管理する。
論文 参考訳(メタデータ) (2020-09-18T09:13:56Z) - Exploring Dynamic Difficulty Adjustment in Videogames [0.0]
最近の研究テーマであるDDA(Dynamic Difficulty Adjustment)について紹介する。
DDAは、プレイヤーが関与し、適切に挑戦し続ける、自動的な難易度選択メカニズムを開発することを目的としている。
この問題に対処する最近の研究と、その実装方法の概要を紹介する。
論文 参考訳(メタデータ) (2020-07-06T15:05:20Z) - 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。