論文の概要: Enhancing Player Enjoyment with a Two-Tier DRL and LLM-Based Agent System for Fighting Games

• arxiv url: http://arxiv.org/abs/2504.07425v1
• Date: Thu, 10 Apr 2025 03:38:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-11 12:22:40.841823
• Title: Enhancing Player Enjoyment with a Two-Tier DRL and LLM-Based Agent System for Fighting Games
• Title（参考訳）: ファイティングゲームのための2層DRLとLLMベースのエージェントシステムによるプレイヤーエンジョイメントの強化
• Authors: Shouren Wang, Zehua Jiang, Fernando Sliva, Sam Earle, Julian Togelius,
• Abstract要約: 本研究では,古典的格闘ゲームStreet Fighter IIにおける2層エージェントシステムの提案と実験を行う。 TTAの第1層は、タスク指向ネットワークアーキテクチャ、モジュール化された報酬関数、および多様な技術を持つDRLエージェントを生成するためのハイブリッドトレーニングを採用している。 TTAの第2層では、プレイヤーのプレイデータとフィードバックを活用するLarge Language Model Hyper-Agentが、適切なDRL相手を動的に選択する。
• 参考スコア（独自算出の注目度）: 41.463376100442396
• License:
• Abstract: Deep reinforcement learning (DRL) has effectively enhanced gameplay experiences and game design across various game genres. However, few studies on fighting game agents have focused explicitly on enhancing player enjoyment, a critical factor for both developers and players. To address this gap and establish a practical baseline for designing enjoyability-focused agents, we propose a two-tier agent (TTA) system and conducted experiments in the classic fighting game Street Fighter II. The first tier of TTA employs a task-oriented network architecture, modularized reward functions, and hybrid training to produce diverse and skilled DRL agents. In the second tier of TTA, a Large Language Model Hyper-Agent, leveraging players' playing data and feedback, dynamically selects suitable DRL opponents. In addition, we investigate and model several key factors that affect the enjoyability of the opponent. The experiments demonstrate improvements from 64. 36% to 156. 36% in the execution of advanced skills over baseline methods. The trained agents also exhibit distinct game-playing styles. Additionally, we conducted a small-scale user study, and the overall enjoyment in the player's feedback validates the effectiveness of our TTA system.
• Abstract（参考訳）: 深層強化学習(DRL)は、様々なジャンルのゲームプレイ体験とゲームデザインを効果的に強化した。 しかし、ゲームエージェントとの戦いに関する研究は、開発者とプレイヤーの両方にとって重要な要素であるプレイヤーの楽しみを高めることに明示的に焦点を合わせているものはほとんどない。 そこで本研究では,このギャップに対処し,楽しめるエージェントを設計するための実用的なベースラインを確立するために,古典的な格闘ゲームStreet Fighter IIで2層エージェント(TTA)システムを提案し,実験を行った。 TTAの第1層は、タスク指向ネットワークアーキテクチャ、モジュール化された報酬関数、および多様な技術を持つDRLエージェントを生成するためのハイブリッドトレーニングを採用している。 TTAの第2層では、プレイヤーのプレイデータとフィードバックを活用するLarge Language Model Hyper-Agentが、適切なDRL相手を動的に選択する。 さらに,対戦者の楽しさに影響を与えるいくつかの要因について検討し,モデル化する。 実験では64。 36%から156。 36%であった。 訓練されたエージェントは、異なるゲームプレイスタイルも示します。 さらに,我々は小規模なユーザスタディを行い,プレイヤーのフィードバックを総合的に楽しむことで,TTAシステムの有効性を検証した。

関連論文リスト

• Reinforcing Competitive Multi-Agents for Playing So Long Sucker [0.393259574660092]
  本稿では,戦略ゲームSo Long Suckerにおける古典的深層学習(DRL)アルゴリズム,DQN,DDQN,Dueling DQNの使用について検討する。 研究の第一の目的は、古典的なDRL手法を用いて、ゲームのルールと戦略を自律エージェントに教えることである。
  論文  参考訳（メタデータ） (2024-11-17T12:38:13Z)
• 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)
• Behavioural Cloning in VizDoom [1.4999444543328293]
  本稿では,Imitation Learning (IL) による自律エージェントのゲーム「Doom 2」の学習方法について述べる。 また,Reinforcement Learning (RL) がカメラの動きと軌跡データを比較することで,人間性に対するILとの比較を行う。
  論文  参考訳（メタデータ） (2024-01-08T16:15:43Z)
• Minimax Exploiter: A Data Efficient Approach for Competitive Self-Play [12.754819077905061]
  Minimax Exploiterは、敵の知識を活用するメインエージェントを利用するゲーム理論のアプローチである。 簡単なターンベースゲームやアーケード学習環境,現代的なビデオゲームであるFor Honorなど,さまざまな設定でアプローチを検証する。
  論文  参考訳（メタデータ） (2023-11-28T19:34:40Z)
• Mastering Asymmetrical Multiplayer Game with Multi-Agent Asymmetric-Evolution Reinforcement Learning [8.628547849796615]
  非対称マルチプレイヤーゲーム (AMP game) は、ゲーム内で複数の種類のエージェントが競合したり協力したりする人気ゲームジャンルである。 非対称な環境下での非バランス性のため、AMPゲームでトップの人間プレイヤーを倒すことのできる強力なエージェントを、典型的なセルフプレイトレーニング手法で訓練することは困難である。 AMPゲームにおいて,複数種類のエージェントを同時に学習できる新しいマルチエージェント強化学習フレームワークである非対称進化学習(AET)を提案する。
  論文  参考訳（メタデータ） (2023-04-20T07:14:32Z)
• Mastering the Game of No-Press Diplomacy via Human-Regularized Reinforcement Learning and Planning [95.78031053296513]
  ノープレス外交(No-press Diplomacy)は、協力と競争の両方を含む複雑な戦略ゲームである。 我々は、人間の模倣学習ポリシーに対する報酬最大化ポリシーを規則化する、DiL-piKLと呼ばれる計画アルゴリズムを導入する。 RL-DiL-piKLと呼ばれる自己再生強化学習アルゴリズムに拡張可能であることを示す。
  論文  参考訳（メタデータ） (2022-10-11T14:47:35Z)
• TiKick: Toward Playing Multi-agent Football Full Games from Single-agent Demonstrations [31.596018856092513]
  Tikickは、マルチエージェントのGoogle Research Footballのフルゲームを引き継ぐことができる、学習ベースのAIシステムである。 私たちの知る限りでは、Tikickは、マルチエージェントのGoogle Research Footballのフルゲームを引き継ぐことができる、初めての学習ベースのAIシステムだ。
  論文  参考訳（メタデータ） (2021-10-09T08:34:58Z)
• Explore and Control with Adversarial Surprise [78.41972292110967]
  強化学習(Reinforcement Learning, RL)は、目標指向のポリシーを学習するためのフレームワークである。 本稿では,RLエージェントが経験した驚きの量と競合する2つのポリシーを相殺する対戦ゲームに基づく,新しい教師なしRL手法を提案する。 本手法は, 明確な相転移を示すことによって, 複雑なスキルの出現につながることを示す。
  論文  参考訳（メタデータ） (2021-07-12T17:58:40Z)
• 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。