基于学习型关卡表示的游戏关卡混合

基于机器学习的游戏关卡混合，即利用机器学习驱动的程序化内容生成（PCGML）技术组合游戏关卡特征以创造独特新颖关卡的过程，近年来日益受到关注。然而，许多现有技术依赖人工标注的关卡表示，这导致游戏关卡混合仅限于少数已标注游戏。即便针对已标注游戏，研究者通常还需额外设计共享表示才能实现混合。本文提出一种新颖的游戏关卡混合方法，采用基于聚类的瓦片嵌入（CTE）——一种学习型关卡表示技术，可作为未标注游戏的关卡表示以及跨游戏的统一关卡表示，且无需人工标注。CTE将游戏关卡瓦片表示为连续向量表示，统一其视觉、上下文与行为信息。我们将该方法应用于两款经典任天堂游戏《Lode Runner》与《The Legend of Zelda》。我们在混合任务中将CTE表示与一种常见的人工标注表示进行对比评估，发现CTE在无需人工标注的情况下具有相当或更优的性能。