論文の概要: BDD-Based Framework with RL Integration: An approach for videogames
automated testing
- arxiv url: http://arxiv.org/abs/2311.03364v1
- Date: Sun, 8 Oct 2023 20:05:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-12 19:46:38.483101
- Title: BDD-Based Framework with RL Integration: An approach for videogames
automated testing
- Title(参考訳): RL統合によるBDDベースのフレームワーク: 自動テストのためのアプローチ
- Authors: Vincent Mastain, Fabio Petrillo
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Testing plays a vital role in software development, but in the realm of video
games, the process differs from traditional software development practices.
Game developers typically rely on human testers who are provided with
checklists to evaluate various elements. While major game developers already
employ automated testing using script-based bots, the increasing complexity of
video games is pushing the limits of scripted solutions, necessitating the
adoption of more advanced testing strategies. To assist game studios in
enhancing the quality of their games through automated testing, we propose the
integration of Behavior Driven Development (BDD) with Reinforcement Learning
(RL). This positional paper summarizes our proposal and framework under
development.
- Abstract(参考訳): テストはソフトウェア開発において重要な役割を果たすが、ビデオゲームの領域では、プロセスは従来のソフトウェア開発のプラクティスとは異なる。
ゲーム開発者は一般的に、さまざまな要素を評価するためにチェックリストを提供する人間のテスターに依存します。
大手ゲーム開発者はすでにスクリプトベースのボットを使った自動テストを採用しているが、ビデオゲームの複雑さが増し、スクリプトソリューションの限界が押し上げられ、より高度なテスト戦略を採用する必要がある。
ゲームスタジオが自動テストを通じてゲームの品質向上を支援するために,振る舞い駆動開発(BDD)と強化学習(RL)の統合を提案する。
本稿では,開発中の提案と枠組みについて概説する。
関連論文リスト
- Gamifying a Software Testing Course with Continuous Integration [13.086283144520513]
GamekinsはJenkinsの継続的インテグレーションプラットフォームにシームレスに統合されたツールだ。
開発者はGamekinsが生成したテストの課題とクエストを完了してポイントを獲得することができる。
学生がコードをテストする方法とゲームキンスの使用方法の相関関係を観察する。
論文 参考訳(メタデータ) (2024-01-31T11:00:16Z) - PlayTest: A Gamified Test Generator for Games [11.077232808482128]
Playtestは、タイリングテストプロセスを目的のある競争ゲームに変換する。
プレイテストフェーズでは,プレイテストの段階において,プレイヤーがツールを介して各ゲームにアクセスできるようにすることで,ゲームテストのタスクをクラウドソーシングするために,Playtestを使用することを想定する。
論文 参考訳(メタデータ) (2023-10-30T10:14:27Z) - 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) - Communicative Agents for Software Development [79.86905471184195]
ChatDevはチャットを利用した仮想ソフトウェア開発会社で、確立したウォーターフォールモデルを反映している。
各ステージは、プログラマ、コードレビュアー、テストエンジニアといった"ソフトウェアエージェント"のチームが参加し、協調的な対話を促進する。
ChatDevは潜在的な脆弱性を特定し、信頼できる効率とコスト効率を維持しながら幻覚を正す。
論文 参考訳(メタデータ) (2023-07-16T02:11:34Z) - 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) - 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) - Designing a mobile game to generate player data -- lessons learned [2.695466667982714]
同様のプロジェクトのガイダンスを使わずにモバイルゲームを開発した。
ゲームバランシングとシステムシミュレーションの研究は、実験的なケーススタディを必要とした。
RPGの制作において、我々は研究目的で効果的なアマチュアゲーム開発について一連の教訓を学んだ。
論文 参考訳(メタデータ) (2021-01-18T16:16:58Z) - Deep Policy Networks for NPC Behaviors that Adapt to Changing Design
Parameters in Roguelike Games [137.86426963572214]
例えばRoguelikesのようなターンベースの戦略ゲームは、Deep Reinforcement Learning(DRL)にユニークな課題を提示する。
複雑なカテゴリ状態空間をより適切に処理し、設計決定によって強制的に再訓練する必要性を緩和する2つのネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-12-07T08:47:25Z) - 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)
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。