面向严肃游戏中基于深度强化学习智能体的程序化内容生成自动评估的模块化框架
机器学习
2025-07-21 v2 人工智能
摘要
严肃游戏 (SGs) 正在转向在开发过程中集成程序化内容生成 (PCG)，以提供个性化和提升玩家体验。然而，开发用于评估 PCG 技术在 SGs 中集成影响的框架仍然具有挑战性。本研究提出了一种用于评估 SGs 中 PCG 集成的自动化方法，融合了深度强化学习 (DRL) 游戏测试智能体。为验证所提出的框架，部署了一个之前引入的 SGs，包含卡牌游戏机制，并集成了三种不同的 PCG 版本用于非玩家角色 (NPC) 创建。版本 1 采用随机 NPC 创建方式，而版本 2 和 3 使用遗传算法方法。这些版本用于测试不同动态 SGs 环境对所提框架智能体的影响。所得结果表明，基于版本 2 和 3 训练的 DRL 游戏测试智能体在赢率（即每局游戏的胜利次数）和训练时间方面优于基于版本 1 的智能体。更具体地言，在模拟常规游戏 gameplay 的测试中，版本 2 和 3均达到了 97% 的赢率，并在统计上显著高于版本 1（达到 94%）的赢率（p=0009）。总体而言，结果支持该框架能够为评估 SGs 中程序化生成内容提供有意义的数据。
引用
@article{arxiv.2505.16801,
title = {A modular framework for automated evaluation of procedural content generation in serious games with deep reinforcement learning agents},
author = {Eleftherios Kalafatis and Konstantinos Mitsis and Konstantia Zarkogianni and Maria Athanasiou and Konstantina Nikita},
journal= {arXiv preprint arXiv:2505.16801},
year = {2025}
}