在深度卷积生成对抗网络隐空间中演化马里奥关卡
人工智能
2018-05-03 v1 神经与进化计算
摘要
生成对抗网络（GAN）是一种机器学习方法，能够在一组给定训练样本的空间内生成新颖的示例输出。视频游戏关卡的程控内容生成（PCG）可受益于此类模型，尤其是对于已有现成语料可供模仿的游戏。本文训练了一个GAN，利用视频游戏关卡语料库中的关卡为《超级马里奥兄弟》生成关卡。该方法成功生成了多种与原始语料中某一关卡相似的关卡，并通过应用协方差矩阵适应进化策略（CMA-ES）得到进一步改进。具体而言，使用多种适应度函数在GAN的隐空间中发现能最大化期望属性的关卡。我们优化了简单的静态属性，例如给定的方块类型分布。此外，使用2009年马里奥AI竞赛的冠军A*智能体来评估关卡是否可玩，以及通关所需的跳跃动作次数。这些适应度函数使得在专家设计的示例空间内发现关卡成为可能，并将搜索导向满足一个或多个指定目标的关卡。
引用
@article{arxiv.1805.00728,
title = {Evolving Mario Levels in the Latent Space of a Deep Convolutional Generative Adversarial Network},
author = {Vanessa Volz and Jacob Schrum and Jialin Liu and Simon M. Lucas and Adam Smith and Sebastian Risi},
journal= {arXiv preprint arXiv:1805.00728},
year = {2018}
}
备注
8 pages, GECCO2018