基于强化学习的经验驱动程序化内容生成：以超级马里奥兄弟为例
人工智能
2021-07-06 v2
摘要
我们提出了一种位于经验驱动程序化内容生成（PCG）与基于强化学习的PCG交叉处的程序化内容生成框架，命名为ED(PCG)RL，简称EDRL。EDRL能够以在线方式教导强化学习设计者生成无尽的可玩关卡，同时尊重以奖励函数形式设计的玩家特定体验。该框架最初在超级马里奥兄弟游戏中进行测试。具体而言，超级马里奥兄弟的强化学习设计者生成并拼接关卡片段，同时考虑片段之间的多样性。生成的正确性由神经网络辅助的进化关卡修复器保证，整个关卡的可玩性通过基于AI的测试来确定。我们在该EDRL实现中的智能体通过学习调节关卡片段间的多样性程度，来最大化科斯特乐趣原则的量化的目标。此外，我们测试了它们设计随时间多样且可玩的趣味关卡的能力。我们提出的框架能够生成具有不同乐趣程度、与早期片段偏差程度以及可玩性的无尽可玩超级马里奥兄弟关卡。EDRL可推广到任何构建为基于片段的顺序过程并具有其游戏内容内置压缩表示的游戏。
引用
@article{arxiv.2106.15877,
title = {Experience-Driven PCG via Reinforcement Learning: A Super Mario Bros Study},
author = {Tianye Shu and Jialin Liu and Georgios N. Yannakakis},
journal= {arXiv preprint arXiv:2106.15877},
year = {2021}
}
备注
This paper is accepted by the 2021 IEEE Conference on Games