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

• You Have Thirteen Hours in Which to Solve the Labyrinth: Enhancing AI Game Masters with Function Calling [35.721053667746716]
  本稿では,テーブルトップロールプレイングゲーム "Jim Henson's Labyrinth: The Adventure Game" のコンテキストにおける関数呼び出しを活用することで,AIゲームマスタを強化する新たなアプローチを提案する。 本手法は,AIゲームマスタの物語的品質と状態更新の整合性の向上を示す関数を通じてゲーム固有の制御を統合することを含む。
  論文  参考訳（メタデータ） (2024-09-11T02:03:51Z)
• Personalized Dynamic Difficulty Adjustment -- Imitation Learning Meets Reinforcement Learning [44.99833362998488]
  本研究では,機械学習をベースとしたエージェントを用いて,現在の動作に基づいてプレイヤーに挑戦するゲーム難易度について検討する。 これは2つのエージェントの組み合わせによって達成され、1つはプレイヤーを模倣することを学び、もう1つは1つを倒すように訓練される。 本稿では,対戦ゲームAIコンペティションにおけるAIエージェントの動的難易度調整のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-13T11:24:12Z)
• Reinforcement Learning for High-Level Strategic Control in Tower Defense Games [47.618236610219554]
  戦略ゲームにおいて、ゲームデザインの最も重要な側面の1つは、プレイヤーにとっての挑戦の感覚を維持することである。 従来のスクリプティング手法と強化学習を組み合わせた自動手法を提案する。 その結果、強化学習のような学習アプローチとスクリプトAIを組み合わせることで、AIのみを使用するよりも高性能で堅牢なエージェントが生まれることが示された。
  論文  参考訳（メタデータ） (2024-06-12T08:06:31Z)
• 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)
• 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)
• 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)
• Gamifying the Vehicle Routing Problem with Stochastic Requests [0.0]
  我々は、古典的な物流問題をゲームとして表現するタスクを考え、エージェントにそれをプレイするよう訓練する。 視点,視野,超人的ミニマップなど,さまざまなデザインがエージェントのパフォーマンスにどのような影響を与えるかを示す。
  論文  参考訳（メタデータ） (2019-11-14T03:41:11Z)

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。