論文の概要: Learning Dark Souls Combat Through Pixel Input With Neuroevolution

• arxiv url: http://arxiv.org/abs/2507.03793v1
• Date: Fri, 04 Jul 2025 19:58:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.881441
• Title: Learning Dark Souls Combat Through Pixel Input With Neuroevolution
• Title（参考訳）: 暗黒の魂を学習する: 画像入力で神経進化を起こさせる
• Authors: Jim O'Connor, Gary B. Parker, Mustafa Bugti,
• Abstract要約: ダークソウルにおけるゲームプレイの自動化にNEAT(Neuroevolution of Augmenting Topologies)を適用した。 従来の強化学習やゲームプレイのアプローチとは異なり,本手法は生の画素データから直接ニューラルネットワークを進化させる。 我々はDark Souls API(DSAPI)を紹介した。Dark Souls APIは、リアルタイムコンピュータビジョン技術を利用して重要なゲームメトリクスを抽出する新しいPythonフレームワークである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This paper investigates the application of Neuroevolution of Augmenting Topologies (NEAT) to automate gameplay in Dark Souls, a notoriously challenging action role-playing game characterized by complex combat mechanics, dynamic environments, and high-dimensional visual inputs. Unlike traditional reinforcement learning or game playing approaches, our method evolves neural networks directly from raw pixel data, circumventing the need for explicit game-state information. To facilitate this approach, we introduce the Dark Souls API (DSAPI), a novel Python framework leveraging real-time computer vision techniques for extracting critical game metrics, including player and enemy health states. Using NEAT, agents evolve effective combat strategies for defeating the Asylum Demon, the game's initial boss, without predefined behaviors or domain-specific heuristics. Experimental results demonstrate that evolved agents achieve up to a 35% success rate, indicating the viability of neuroevolution in addressing complex, visually intricate gameplay scenarios. This work represents an interesting application of vision-based neuroevolution, highlighting its potential use in a wide range of challenging game environments lacking direct API support or well-defined state representations.
• Abstract（参考訳）: 本稿では,複雑な戦闘力学,動的環境,高次元視覚入力を特徴とするアクションロールプレイングゲームであるダークソウルにおけるゲームプレイの自動化にNEAT(Neuroevolution of Augmenting Topologies)を適用した。 従来の強化学習やゲームプレイのアプローチとは異なり、我々の手法は生の画素データから直接ニューラルネットワークを進化させ、明示的なゲーム状態情報の必要性を回避する。 このアプローチを容易にするために,プレイヤーや敵の健康状態を含む重要なゲームメトリクスの抽出にリアルタイムコンピュータビジョン技術を活用する新しいPythonフレームワークであるDark Souls API(DSAPI)を紹介した。 NEATを用いてエージェントは、ゲームの初期ボスであるアセイラム・デーモンを、事前に定義された振る舞いやドメイン固有のヒューリスティックなしで倒すための効果的な戦闘戦略を進化させる。 実験の結果、進化したエージェントは35%の成功率に達し、複雑で視覚的に複雑なゲームプレイシナリオに対処する際の神経進化の可能性を示唆している。 この研究は視覚ベースの神経進化の興味深い応用であり、直接的なAPIサポートや明確に定義された状態表現が欠如している幅広い挑戦的なゲーム環境において、その潜在的使用の可能性を強調している。

関連論文リスト

• Playing Non-Embedded Card-Based Games with Reinforcement Learning [18.971623378904503]
  本稿では,RTSゲームClash Royaleにおいて,リアルタイムな自律型ゲームプレイを実現するために,非埋め込み型オフライン強化学習トレーニング戦略を提案する。 我々は、最先端のオブジェクト検出と光学的文字認識モデルを用いて特徴を抽出する。 提案手法により,リアルタイム画像取得,認識機能融合,意思決定,モバイルデバイスの制御が可能となり,組込みAI相手を倒すことに成功した。
  論文  参考訳（メタデータ） (2025-04-07T07:26:02Z)
• Cultivating Game Sense for Yourself: Making VLMs Gaming Experts [23.370716496046217]
  ゲームプレイエージェント設計におけるパラダイムシフトを提案する。 ゲームプレイを直接制御する代わりに、VLMは射撃や戦闘などのタスクに適した特殊な実行モジュールを開発する。 これらのモジュールはリアルタイムゲームインタラクションを処理し、VLMをハイレベルな開発者に高める。
  論文  参考訳（メタデータ） (2025-03-27T08:40:47Z)
• Can VLMs Play Action Role-Playing Games? Take Black Myth Wukong as a Study Case [20.14197375326218]
  本研究の目的は,複雑なアクションゲーム環境にマルチモーダルエージェントを適用するための新たな洞察と方向性を提供することである。 我々は、既存の視覚言語モデルの能力境界を探求する研究プラットフォームとして、ARPG、Black Myth: Wukong'を選択した。 記録されたゲームプレイビデオとマウスとキーボードアクションを含む操作ログを含む人間の操作データセットをリリースする。
  論文  参考訳（メタデータ） (2024-09-19T16:30:25Z)
• NetHack is Hard to Hack [37.24009814390211]
  NeurIPS 2021 NetHack Challengeでは、シンボリックエージェントは中央値のゲームスコアにおいて、ニューラルネットワークのアプローチを4倍以上に上回りました。 我々はNetHackのニューラルポリシー学習について広範な研究を行っている。 従来の完全なニューラルポリシーを127%のオフライン設定、25%のオンライン設定を中央値のゲームスコアで上回る最先端のニューラルエージェントを作成しました。
  論文  参考訳（メタデータ） (2023-05-30T17:30:17Z)
• 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)
• Evaluating Continual Learning Algorithms by Generating 3D Virtual Environments [66.83839051693695]
  連続学習とは、人間や動物が特定の環境で徐々に学習する能力である。 本稿では3次元仮想環境の最近の進歩を活用して,フォトリアリスティックな外観を持つ潜在的に長寿命な動的シーンの自動生成にアプローチすることを提案する。 本論文の新たな要素は、シーンがパラメトリックな方法で記述され、エージェントが知覚する入力ストリームの視覚的複雑さを完全に制御できることである。
  論文  参考訳（メタデータ） (2021-09-16T10:37:21Z)
• 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。