基于强化学习的竞争性双人游戏关卡平衡
机器学习
2024-04-08 v1 计算机科学与博弈论
摘要
竞争性双人语境下游戏关卡的平衡过程涉及大量手动工作与测试，尤其对于非对称游戏关卡。本文中，我们提出一种在近期引入的 PCGRL 框架(通过强化学习的过程化内容生成)内自动平衡基于瓦片关卡的架构。我们的架构分为三部分：(1) 关卡生成器，(2) 平衡智能体，以及 (3) 奖励建模模拟。通过在模拟中反复游玩关卡，平衡智能体因将关卡修改为所有玩家相同胜率而受奖励。为此，我们引入一类新颖的基于交换的表示以提升对可玩性的鲁棒性。我们表明该方法能比普通 PCGRL 更好且更快地教导智能体如何修改关卡以达成平衡。此外，通过分析智能体的交换行为，我们可推断哪些瓦片类型对平衡影响最大。我们使用 Neural MMO (NMMO) 环境在竞争性双人设定中测试并展示了我们的结果。
引用
@article{arxiv.2306.04429,
title = {Balancing of competitive two-player Game Levels with Reinforcement Learning},
author = {Florian Rupp and Manuel Eberhardinger and Kai Eckert},
journal= {arXiv preprint arXiv:2306.04429},
year = {2024}
}
备注
8 pages, 8 figures, 1 table. Accepted at IEEE Conference on Games 2023