利用深度强化学习增强自动化游戏测试
机器学习
2021-03-31 v1 人工智能
摘要
通用游戏测试依赖于人类测试玩家、测试脚本编写以及对感兴趣区域的先验知识来产生相关测试数据。利用深度强化学习（DRL），我们为游戏测试框架引入了一种自学习机制。借助 DRL，该框架能够基于用户定义的强化奖励信号来探索和/或利用游戏机制。因此，测试覆盖率得到提升，并在多种游戏类型中发现了非预期的游戏机制、漏洞和利用方式。在本文中，我们展示了 DRL 可用于增加测试覆盖率、发现漏洞、测试地图难度，以及检测第一人称射击（FPS）游戏测试中出现的一些常见问题。
引用
@article{arxiv.2103.15819,
title = {Augmenting Automated Game Testing with Deep Reinforcement Learning},
author = {Joakim Bergdahl and Camilo Gordillo and Konrad Tollmar and Linus Gisslén},
journal= {arXiv preprint arXiv:2103.15819},
year = {2021}
}
备注
4 pages, 6 figures, 2020 IEEE Conference on Games (CoG), 600-603