論文の概要: An Exploration of Collision-based Enemy Morphology Generation
- arxiv url: http://arxiv.org/abs/2606.02832v1
- Date: Mon, 01 Jun 2026 19:52:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-03 22:00:04.572117
- Title: An Exploration of Collision-based Enemy Morphology Generation
- Title（参考訳）: 衝突に基づくネミー形態生成の探索
- Authors: Johor Jara Gonzalez, Matthew Guzdial,
- Abstract要約: 本稿では,プレイヤーの衝突情報に基づいて敵形態を生成する3つの異なるアプローチについて検討する。
それぞれのアプローチは異なる長所と短所を提供するが、いずれも以前のロボット形態学の作業から適応した進化的ベースラインと同等あるいは優れた性能を持っていた。
- 参考スコア（独自算出の注目度）: 5.027571997864707
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Despite a great deal of prior research into Procedural Content Generation (PCG), relatively little prior work has explored generating enemies for video games. In particular, there is almost no work on generating enemy morphologies, the basic body plan or collision information for in-game enemies, despite the existence of related morphology generation work in robotics. In this paper, we explore three different novel approaches to generate enemy morphologies based on player collision information. We found that each approach provides different strengths and weaknesses, but all had equivalent or better performance than an evolutionary baseline adapted from prior robotics morphology work.
- Abstract（参考訳）: プロシージャコンテンツ生成(PCG)に関する多くの先行研究にもかかわらず、ビデオゲームの敵生成についての研究は比較的少ない。
特に、ロボット工学における関連する形態素生成作業があるにもかかわらず、敵形態素の生成、基本体計画、およびゲーム内敵の衝突情報に関する研究はほとんどない。
本稿では,プレイヤーの衝突情報に基づいて,敵形態を生成するための3つの新しいアプローチについて検討する。
それぞれのアプローチは異なる長所と短所を提供するが、いずれも以前のロボット形態学の作業から適応した進化的ベースラインと同等あるいは優れた性能を持っていた。
関連論文リスト
- From Generated Human Videos to Physically Plausible Robot Trajectories [103.28274349461607]
ビデオ生成モデルは、人間のアクションを新しい文脈で合成する能力が急速に向上している。
この可能性を実現するために、ヒューマノイドはどうやってゼロショットで生成されたビデオから人間の行動を実行することができるのか?
この課題は、生成されたビデオがしばしばうるさいので、実際のビデオと比べて直接の模倣を困難にする形態的歪みを示すためである。
我々は,3次元キーポイントに条件付き物理対応強化学習政策であるGenMimicを提案し,対称性の正則化とキーポイント重み付きトラッキング報酬を訓練した。
論文 参考訳（メタデータ） (2025-12-04T18:56:03Z) - Toward Humanoid Brain-Body Co-design: Joint Optimization of Control and Morphology for Fall Recovery [55.951691393378354]
フォールリカバリのためのスケーラブルなヒューマノイド共同設計フレームワークであるRoboCraftを提案する。
複数の設計にまたがって事前訓練された共有ポリシーは、ハイパフォーマンスな形態に対して徐々に微調整される。
実験の結果、RoboCraftは7つの公用ヒューマノイドロボットで平均44.55%のパフォーマンス向上を達成した。
論文 参考訳（メタデータ） (2025-10-25T15:40:18Z) - DittoGym: Learning to Control Soft Shape-Shifting Robots [27.724891332319178]
我々は、その生涯で形態を変えることができるロボットとして定義された、再構成可能な新しいロボットを探索する。
再構成可能なソフトロボットの制御を高次元強化学習(RL)問題として定式化する。
細かな形態変化を必要とするソフトロボットのための総合的なRLベンチマークであるDittoGymを紹介する。
論文 参考訳（メタデータ） (2024-01-24T05:03:05Z) - Generation of Games for Opponent Model Differentiation [2.164100958962259]
これまでの結果から,人間の振る舞いをモデル化することで,アルゴリズムの性能が大幅に向上することが示唆された。
本研究では、悪意ある行為を行う可能性を高める人格タイプを特定する心理学者によって収集されたデータを用いる。
私たちはそのパラメータと心理的特徴を結びつける新しいモデルを作成しました。
論文 参考訳（メタデータ） (2023-11-28T13:45:03Z) - Universal Morphology Control via Contextual Modulation [52.742056836818136]
異なるロボット形態をまたいだ普遍的なポリシーの学習は、継続的な制御における学習効率と一般化を著しく向上させることができる。
既存の手法では、グラフニューラルネットワークやトランスフォーマーを使用して、異種状態と異なる形態のアクション空間を処理する。
本稿では,この依存関係を文脈変調によりモデル化する階層型アーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-02-22T00:04:12Z) - Task-Agnostic Morphology Evolution [94.97384298872286]
モルフォロジーと振る舞いを共同適用する現在のアプローチでは、特定のタスクの報酬をモルフォロジー最適化のシグナルとして使用します。
これはしばしば高価なポリシー最適化を必要とし、一般化するために構築されていないタスクに依存した形態をもたらす。
我々は,これらの問題を緩和するための新しいアプローチであるタスク非依存形態進化(tame)を提案する。
論文 参考訳（メタデータ） (2021-02-25T18:59:21Z)
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。