論文の概要: On Automating Video Game Testing by Planning and Learning
- arxiv url: http://arxiv.org/abs/2402.12393v1
- Date: Fri, 16 Feb 2024 14:28:25 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-21 19:03:14.423384
- Title: On Automating Video Game Testing by Planning and Learning
- Title(参考訳): 計画と学習によるゲームテストの自動化について
- Authors: Tom\'a\v{s} Balyo, G. Michael Youngblood, Filip Dvo\v{r}\'ak, Roman
Bart\'ak
- Abstract要約: 本稿では,特定のゲーム面のテストを自動化する手法とワークフローを提案する。
基本的な考え方は、詳細なゲームログを生成し、アクションモデル学習を適用して、計画ドメイン記述言語(PDDL)の形式モデルを得ることである。
本稿では,ワークフローにおけるモデリング専門家の必要性を最小限に抑えるか,あるいは取り除くための第一歩を示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this paper, we propose a method and workflow for automating the testing of
certain video game aspects using automated planning and planning action model
learning techniques. The basic idea is to generate detailed gameplay logs and
apply action model learning to obtain a formal model in the planning domain
description language (PDDL). The workflow enables efficient cooperation of game
developers without any experience with PDDL or other formal systems and a
person experienced with PDDL modeling but no game development skills. We
describe the method and workflow in general and then demonstrate it on a
concrete proof-of-concept example -- a simple role-playing game provided as one
of the tutorial projects in the popular game development engine Unity. This
paper presents the first step towards minimizing or even eliminating the need
for a modeling expert in the workflow, thus making automated planning
accessible to a broader audience.
- Abstract(参考訳): 本稿では,自動計画と計画行動モデル学習技術を用いて,特定のゲーム面のテストを自動化する手法とワークフローを提案する。
基本的な考え方は、詳細なゲームプレイログを生成し、アクションモデル学習を適用して、計画ドメイン記述言語(PDDL)の形式モデルを取得することである。
このワークフローは、PDDLや他の形式システムの経験のないゲーム開発者と、PDDLモデリングの経験があるがゲーム開発スキルがない人の効率的な協力を可能にする。
本手法とワークフローを概説し,一般的なゲーム開発エンジンであるUnityのチュートリアルプロジェクトのひとつとして提供される,シンプルなロールプレイングゲームである概念実証(concept proof-of-concept)の例で実演する。
本稿では,ワークフローにおけるモデリングエキスパートの必要性を最小化し,さらには排除する第一歩を提案する。
関連論文リスト
- An Interactive Agent Foundation Model [50.50659114031731]
本稿では,AIエージェントを訓練するための新しいマルチタスクエージェントトレーニングパラダイムを用いた対話型エージェント基礎モデルを提案する。
トレーニングパラダイムは、視覚マスク付きオートエンコーダ、言語モデリング、次世代の予測など、多様な事前学習戦略を統一する。
私たちは、ロボティクス、ゲームAI、ヘルスケアという3つの異なる領域でフレームワークのパフォーマンスを実演します。
論文 参考訳(メタデータ) (2024-02-08T18:58:02Z) - 3D-GPT: Procedural 3D Modeling with Large Language Models [50.57513088909881]
命令駆動3Dモデリングのための大規模言語モデル(LLM)を利用するフレームワークである3D-GPTを紹介する。
3D-GPTは、3Dモデリングタスクをアクセス可能なセグメントに分割し、各タスクにアプエージェントを割り当てる。
我々の実証調査では、3D-GPTが解釈し、指示を実行し、信頼性の高い結果を提供するだけでなく、人間デザイナーと効果的に協力することを確認した。
論文 参考訳(メタデータ) (2023-10-19T17:41:48Z) - 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) - A General Recipe for Automated Machine Learning in Practice [0.0]
本稿では,一般的なAutoMLシステム構築のための参照フレームを提案する。
私たちの主なアイデアは、基本的な概念を抽出して、それらを単一の設計でサポートすることです。
本稿では,AutoMLの今後の研究への応用に関するオープンな問題について論じる。
論文 参考訳(メタデータ) (2023-08-29T21:49:28Z) - Instruct2Act: Mapping Multi-modality Instructions to Robotic Actions
with Large Language Model [63.66204449776262]
Instruct2Actは、ロボット操作タスクのシーケンシャルアクションにマルチモーダル命令をマッピングするフレームワークである。
我々のアプローチは、様々な命令のモダリティや入力タイプを調節する上で、調整可能で柔軟なものである。
我々のゼロショット法は、いくつかのタスクにおいて、最先端の学習ベースのポリシーよりも優れていた。
論文 参考訳(メタデータ) (2023-05-18T17:59:49Z) - Promptable Game Models: Text-Guided Game Simulation via Masked Diffusion
Models [68.85478477006178]
ニューラルビデオゲームシミュレータのためのPGM(Promptable Game Model)を提案する。
ユーザーは高レベルのアクションシーケンスと低レベルのアクションシーケンスでゲームを実行することができる。
私たちのPGMは、エージェントの目標をプロンプトの形で指定することで、ディレクターのモードをアンロックします。
提案手法は,既存のニューラルビデオゲームシミュレータのレンダリング品質を著しく上回り,現在の最先端の能力を超えたアプリケーションをアンロックする。
論文 参考訳(メタデータ) (2023-03-23T17:43:17Z) - Reinforcement Learning with Action-Free Pre-Training from Videos [95.25074614579646]
本稿では,ビデオにおける生成前学習を通じて動的理解に役立つ表現を学習するフレームワークを提案する。
我々のフレームワークは、視覚に基づく強化学習の最終性能とサンプル効率の両方を著しく改善する。
論文 参考訳(メタデータ) (2022-03-25T19:44:09Z) - Human-Level Reinforcement Learning through Theory-Based Modeling,
Exploration, and Planning [27.593497502386143]
理論に基づく強化学習は、人間のような直感的な理論を使って環境を探索しモデル化する。
EMPAと呼ばれるゲームプレイエージェントのアプローチをインスタンス化する。
EMPAは90のAtariスタイルのビデオゲームで人間の学習効率と一致します。
論文 参考訳(メタデータ) (2021-07-27T01:38:13Z) - Towards Action Model Learning for Player Modeling [1.9659095632676098]
プレイヤーモデリングは、ゲームにおけるプレイヤーの振る舞いを正確に近似する計算モデルを作ろうとする。
ほとんどのプレイヤーモデリング技術はドメイン知識に依存しており、ゲーム間で転送できない。
本稿では,アクションモデル学習(AML)を用いて,ドメインに依存しない方法でプレーヤモデルを学習する。
論文 参考訳(メタデータ) (2021-03-09T19:32:30Z) - Conceptual Software Engineering Applied to Movie Scripts and Stories [0.0]
本研究は,ソフトウェア工学ツールとしての概念モデリングに焦点をあてる。
人文科学と社会科学の研究者たちは、技術者と同じ形式化を使わないかもしれない。
本論文では,映画脚本と物語のダイアグラム的静的/動的モデルの開発に関する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2020-12-17T15:24:12Z) - 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。