通过双层DRL和基于LLM的智能体系统增强格斗游戏玩家愉悦感
人工智能
2025-04-11 v1 机器学习
摘要
深度强化学习（DRL）已有效提升了多种游戏类型的游戏体验和游戏设计。然而，很少有关于格斗游戏智能体的研究明确关注提升玩家愉悦感，而这是开发者和玩家的关键因素。为了填补这一空白并为设计以愉悦感为中心的智能体建立实用基线，我们提出了一个双层智能体（TTA）系统，并在经典格斗游戏《街头霸王II》中进行了实验。TTA的第一层采用面向任务的网络架构、模块化奖励函数和混合训练，以生成多样且熟练的DRL智能体。在TTA的第二层，一个大型语言模型超智能体利用玩家的游戏数据和反馈，动态选择合适的DRL对手。此外，我们研究并建模了影响对手愉悦感的几个关键因素。实验表明，在高级技能执行方面，相比基线方法提升了64.36%到156.36%。训练后的智能体还表现出不同的游戏风格。此外，我们进行了一项小规模用户研究，玩家反馈中的整体愉悦感验证了我们TTA系统的有效性。
引用
@article{arxiv.2504.07425,
title = {Enhancing Player Enjoyment with a Two-Tier DRL and LLM-Based Agent System for Fighting Games},
author = {Shouren Wang and Zehua Jiang and Fernando Sliva and Sam Earle and Julian Togelius},
journal= {arXiv preprint arXiv:2504.07425},
year = {2025}
}
备注
15 pages, 8 figures. Submitted to a peer-reviewed conference, under review