論文の概要: Technical Challenges of Deploying Reinforcement Learning Agents for Game Testing in AAA Games

• arxiv url: http://arxiv.org/abs/2307.11105v1
• Date: Wed, 19 Jul 2023 18:19:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-24 14:48:44.177403
• Title: Technical Challenges of Deploying Reinforcement Learning Agents for Game Testing in AAA Games
• Title（参考訳）: AAAゲームにおける強化学習エージェントの展開に関する技術的課題
• Authors: Jonas Gillberg, Joakim Bergdahl, Alessandro Sestini, Andrew Eakins, Linus Gisslen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 58.720142291102135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Going from research to production, especially for large and complex software systems, is fundamentally a hard problem. In large-scale game production, one of the main reasons is that the development environment can be very different from the final product. In this technical paper we describe an effort to add an experimental reinforcement learning system to an existing automated game testing solution based on scripted bots in order to increase its capacity. We report on how this reinforcement learning system was integrated with the aim to increase test coverage similar to [1] in a set of AAA games including Battlefield 2042 and Dead Space (2023). The aim of this technical paper is to show a use-case of leveraging reinforcement learning in game production and cover some of the largest time sinks anyone who wants to make the same journey for their game may encounter. Furthermore, to help the game industry to adopt this technology faster, we propose a few research directions that we believe will be valuable and necessary for making machine learning, and especially reinforcement learning, an effective tool in game production.
• Abstract（参考訳）: 研究からプロダクション、特に大規模で複雑なソフトウェアシステムへの移行は、基本的に難しい問題です。 大規模ゲームでは、開発環境が最終製品と大きく異なる可能性があることが主な理由である。 本稿では,スクリプト化されたボットをベースとした既存の自動ゲームテストソリューションに,実験的な強化学習システムを追加することで,その能力向上を図る。 本稿では,この強化学習システムが,バトルフィールド2042やデッドスペース(2023)を含む一連のAAAゲームにおいて,[1]と似たテストカバレッジ向上を目的としてどのように統合されたかを報告する。 本論文の目的は,ゲーム制作における強化学習の活用と,ゲームに同じ旅をしたい人なら誰でも経験できる最大の時間について紹介することである。 さらに,ゲーム産業がこの技術を採用するのを早めるために,機械学習,特に強化学習がゲーム生産に有効なツールとして有用で必要な研究指針をいくつか提案する。

関連論文リスト

• 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)
• BDD-Based Framework with RL Integration: An approach for videogames automated testing [0.0]
  ビデオゲームのテストは、従来のソフトウェア開発のプラクティスとは異なる。 振る舞い駆動開発(BDD)と強化学習(RL)の統合を提案する。
  論文  参考訳（メタデータ） (2023-10-08T20:05:29Z)
• 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)
• Towards Informed Design and Validation Assistance in Computer Games Using Imitation Learning [65.12226891589592]
  本稿では,自動ゲーム検証とテストのための新しいアプローチを提案する。 本手法は,データ駆動型模倣学習技術を活用し,時間と労力をほとんど必要とせず,機械学習やプログラミングの知識も必要としない。
  論文  参考訳（メタデータ） (2022-08-15T11:08:44Z)
• SUPERNOVA: Automating Test Selection and Defect Prevention in AAA Video Games Using Risk Based Testing and Machine Learning [62.997667081978825]
  従来の手法では、成長するソフトウェアシステムではスケールできないため、ビデオゲームのテストはますます難しいタスクになります。 自動化ハブとして機能しながら,テスト選択と欠陥防止を行うシステム SUPERNOVA を提案する。 この直接的な影響は、未公表のスポーツゲームタイトルの55%以上のテスト時間を減らすことが観察されている。
  論文  参考訳（メタデータ） (2022-03-10T00:47:46Z)
• rSoccer: A Framework for Studying Reinforcement Learning in Small and Very Small Size Robot Soccer [0.0]
  本稿では,強化学習実験に最適化されたIEEE Very Small Size SoccerとSmall Size Leagueのオープンソースシミュレータを紹介する。 また,単一エージェントおよびマルチエージェントロボットサッカースキルを評価するためのベンチマークタスクのセットを用いて,OpenAI Gym環境を作成する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） (2021-06-15T01:30:21Z)
• Augmenting Automated Game Testing with Deep Reinforcement Learning [0.4129225533930966]
  一般的なゲームテストは、人間プレイテスターの使用、テストスクリプティングのプレイ、関連するテストデータを生成するための関心領域の事前知識に依存している。 深層強化学習(DRL)を用いたゲームテストフレームワークに自己学習メカニズムを導入する。 DRLは、テストカバレッジの向上、エクスプロイトの発見、マップの難しさ、ファーストパーソンシューティングゲーム(FPS)のテストで発生する一般的な問題の検出に使用できる。
  論文  参考訳（メタデータ） (2021-03-29T11:55:15Z)
• DeepCrawl: Deep Reinforcement Learning for Turn-based Strategy Games [137.86426963572214]
  Deep CrawlはiOSとAndroid用の完全にプレイ可能なRogueライクなプロトタイプで、すべてのエージェントがDeep Reinforcement Learning (DRL)を使用してトレーニングされたポリシーネットワークによって制御される。 本研究の目的は、近年のDRLの進歩が、ビデオゲームにおける非プレイヤーキャラクターに対する説得力のある行動モデルの開発に有効であるかどうかを理解することである。
  論文  参考訳（メタデータ） (2020-12-03T13:53:29Z)
• Applied Machine Learning for Games: A Graduate School Course [0.0]
  本稿では,近年の深層学習と強化学習をゲームに応用することに関心を持つ大学院生を対象とした機械学習コースについて述べる。 このコースに入学した学生は、コンピュータビジョン、自然言語処理、コンピュータグラフィックス、人間のコンピュータインタラクション、ロボット工学、データ分析など、さまざまな機械学習技術を適用して、ゲームにおけるオープンな課題を解決する。
  論文  参考訳（メタデータ） (2020-11-30T05:46:14Z)

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。