論文の概要: DSLE: A Learning Environment for Dark Souls Boss Encounters
- arxiv url: http://arxiv.org/abs/2608.09902v1
- Date: Mon, 10 Aug 2026 17:48:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.404448
- Title: DSLE: A Learning Environment for Dark Souls Boss Encounters
- Title（参考訳）: DSLE:ダークソウルのための学習環境
- Abstract要約: 我々は、Dark Souls Learning Environment (DSLE)を紹介した。これは、Dark Soulsの22人のボスの遭遇をコンテナ化されたプラットフォームで、Gymnasiumスタイルのインターフェイスを通じてゲームプレイエージェントベンチマークとしてリマスターされる。
DSLEはリアルタイム戦闘、高次元視覚入力、スパース端末報酬を組み合わせ、各環境ステップはランニングゲームに対して実行された実際のアクションである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce the Dark Souls Learning Environment (DSLE), a containerized platform that presents all 22 boss encounters of Dark Souls: Remastered as game-playing agent benchmarks through a Gymnasium-style interface. DSLE combines real-time combat, high-dimensional visual input, and sparse terminal rewards, with each environment step being a real action executed against the running game. To support controlled comparison, we define DSLE-5, a representative five-boss subset, spanning a melee fight, a spatially constrained arena, an environmental-hazard fight, a multi-target fight, and a fast final-boss fight, that we recommend as the starting suite for agents built on DSLE. On DSLE-5 we evaluate a random policy, an expert system, an evolutionary baseline, and PPO and DQN agents trained from visual input. The expert system and the evolutionary baseline each defeat the Asylum Demon, the game's tutorial boss (63% and 43% peak win rates), but none of the five methods defeats the other four DSLE-5 bosses; PPO and DQN show no measurable learning (at most 0.33% win rate on the tutorial boss, 0% elsewhere) within a budget that already costs tens of wall-clock hours per run. A broader study running the evolutionary baseline across all 22 encounters under advantaged all level-50 stats yields wins on only a handful of additional early-game bosses and leaves the rest unwon. The failure cases range from sub-10-second deaths in cramped, multi-target encounters to minute-long stalemates that inflict almost no damage, and we report them through survival time and damage dealt rather than win rate alone.
- Abstract（参考訳）: 我々は、Dark Souls Learning Environment (DSLE)を紹介した。これは、Dark Soulsの22人のボスの遭遇をコンテナ化されたプラットフォームで、Gymnasiumスタイルのインターフェイスを通じてゲームプレイエージェントベンチマークとしてリマスターされる。
DSLEはリアルタイム戦闘、高次元視覚入力、スパース端末報酬を組み合わせ、各環境ステップはランニングゲームに対して実行された実際のアクションである。
制御された比較をサポートするために、我々はDSLE-5という代表的5ボスサブセットを定義し、メリーファイト、空間的に制約されたアリーナ、環境ハザードファイト、マルチターゲットファイト、高速ファイナルボスファイトを対象とし、DSLE上に構築されたエージェントの開始スイートとして推奨する。
DSLE-5では、視覚入力から訓練されたランダムポリシー、エキスパートシステム、進化ベースライン、PPOおよびDQNエージェントを評価した。
エキスパートシステムと進化的ベースラインはそれぞれ、ゲームのチュートリアルボスであるAsylum Demon(63%と43%のピーク勝利率)を倒すが、他の4人のDSLE-5ボスを倒す方法はない。
進化のベースラインを22回に分けて実施したより広範な研究は、全てのレベル50の統計に有利な結果が得られ、少数のボスだけが勝利を収め、残りは終了する。
失敗例は, 急激な多目標遭遇による10秒未満の死亡から, ほとんど損傷を伴わない分長のスタルメイトまで様々であり, 勝率単独ではなく, 生存時間や損傷を報告している。
関連論文リスト
- DungeonBench: A Benchmark for Rules-Rich Tactical Reasoning in Dungeons & Dragons Combat [0.5352699766206808]
ダンジョンズ&ドラゴンズの戦いにおける戦術的推論のベンチマークであるダンジョンベンチを紹介する。
それぞれのステップで、DungeonBenchは完全な戦術的な観察、保留中の決定、および実行可能なオプションのインデックス付きリストを公開する。
同じエンジン生成の意思決定ストリームは、コントローラ、言語モデルポリシー、学習されたオプションランク付け、マスクされたアクション強化学習エージェントをサポートする。
論文 参考訳（メタデータ） (2026-07-31T16:03:38Z) - NitroGen: An Open Foundation Model for Generalist Gaming Agents [101.41866522979548]
NitroGenは、ジェネラリストゲームエージェントのためのビジョンアクション基盤モデルである。
1000以上のゲームで4万時間のゲームプレイビデオでトレーニングされている。
論文 参考訳（メタデータ） (2026-01-04T16:24:50Z) - Game-TARS: Pretrained Foundation Models for Scalable Generalist Multimodal Game Agents [56.25101378553328]
本稿では,汎用ゲームエージェントであるGame-TARSについて紹介する。
Game-TARSは500B以上のトークンで事前トレーニングされており、様々な軌跡とマルチモーダルデータがある。
実験により、Game-TARSは、オープンワールドMinecraftタスクにおける以前のソータモデルの約2倍の成功率を達成することが示された。
論文 参考訳（メタデータ） (2025-10-27T17:43:51Z) - Enhancing Language Agent Strategic Reasoning through Self-Play in Adversarial Games [60.213483076150844]
本稿では,PLAY-And-Learn,SCO-PALを用いたステップレベルのポリCy最適化手法を提案する。
対戦相手を異なるレベルに設定することで、対戦相手の選択を詳細に分析し、戦略的推論を改善する最も効果的な方法が自己プレーであることを見出した。
我々は6試合でGPT-4に対して54.76%の勝利率を達成した。
論文 参考訳（メタデータ） (2025-10-19T09:03:28Z) - FlashAdventure: A Benchmark for GUI Agents Solving Full Story Arcs in Diverse Adventure Games [56.81554611870848]
我々はFlashAdventureを紹介した。これは、フルストーリーのアーク補完をテストするために設計された、34のFlashベースのアドベンチャーゲームのベンチマークである。
また,ゲームプレイの自動評価装置であるCUA-as-a-Judgeと,長期記憶を利用したエージェントフレームワークであるCOASTを提案する。
実験では、現在のGUIエージェントがフルストーリーのアークに苦しむのに対して、COASTは観察と振る舞いのギャップを埋めることでマイルストーンの完了を改善する。
論文 参考訳（メタデータ） (2025-09-01T01:33:16Z) - Learning Dark Souls Combat Through Pixel Input With Neuroevolution [0.0]
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。
論文 参考訳（メタデータ） (2025-07-04T19:58:59Z) - NTRL: Encounter Generation via Reinforcement Learning for Dynamic Difficulty Adjustment in Dungeons and Dragons [8.856568375969848]
ダンジョンズ&ドラゴンズ(D&D)における動的困難調整(DDA)を自動化する新しいアプローチ
NTRLは、問題を文脈的盗聴としてフレーミングすることで、リアルタイムのパーティーメンバー属性に基づいて遭遇を生成する。
古典的DMと比較して、NTRLは遭遇を反復的に最適化して戦闘長寿(+200%)を延長し、党員へのダメージを増大させ、試合後のヒットポイントを減少させ、プレイヤーの死亡数を増大させる。
論文 参考訳（メタデータ） (2025-06-24T11:34:01Z) - 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) - Illuminating the Space of Enemies Through MAP-Elites [0.0]
アクションアドベンチャーゲームには克服すべきいくつかの課題があり、最も一般的なのは敵である。
本稿では,敵の難易度を目標とする,手続き的に敵を発生させる進化的アプローチの拡張版を紹介する。
我々のアプローチは、MAP-Elites人口を取り入れて、品質を損なうことなく多様な敵を生成することによって、敵の世代研究を進める。
論文 参考訳（メタデータ） (2022-02-19T14:43:52Z) - Universal Adversarial Training with Class-Wise Perturbations [78.05383266222285]
敵の訓練は 敵の攻撃を防御するために 最も広く使われる方法です
この作業では、UAPがすべてのクラスを等しく攻撃しないことがわかります。
我々は,対人訓練におけるクラスワイドUAPの利用を提案することで,SOTA UATを改善した。
論文 参考訳（メタデータ） (2021-04-07T09:05:49Z)
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。