基于主动学习的游戏参数调优自动试玩
人工智能
2019-08-06 v1
摘要
游戏设计师在迭代改进游戏时，利用人类试玩来收集关于游戏设计元素的反馈。然而，试玩成本高昂：必须招募人类测试者，必须汇总并解读试玩结果，且必须根据这些结果推断对游戏设计的改动。自动化方法能否降低这一成本？我们展示了主动学习技术如何形式化并自动化试玩目标的一个子集。具体而言，我们聚焦于在机制选定后平衡游戏所需的底层参数调优。通过对一款弹幕射击游戏（shoot-'em-up）的案例研究，我们证明了主动学习能有效减少为两类（形式化）设计目标选择最优游戏参数集所需的试玩量。该工作为引入更多方法以减轻人类在各种相关设计关切上执行试玩的负担开辟了可能性。
引用
@article{arxiv.1908.01417,
title = {Automatic Playtesting for Game Parameter Tuning via Active Learning},
author = {Alexander Zook and Eric Fruchter and Mark O. Riedl},
journal= {arXiv preprint arXiv:1908.01417},
year = {2019}
}