通过游戏场景增强的游戏状态学习
计算机视觉与模式识别
2022-07-11 v2
摘要
获取准确的游戏状态信息对于任何包括博弈、测试、玩家建模与程序化内容生成在内的人工智能任务都至关重要。自监督学习（SSL）技术已显示出能够从游戏画面的高维像素输入中推断出准确的游戏状态信息并压缩为潜在表示。对比学习是一种流行的 SSL 范式，其对游戏图像的视觉理解来自于对比由简单图像增强方法定义的相异与相似游戏状态。在本研究中，我们引入了一种新的游戏场景增强技术——名为 GameCLR——其利用游戏引擎定义并合成不同游戏状态的特定、高度可控的渲染，从而提升对比学习性能。我们在 CARLA 驾驶模拟器环境的图像上测试了我们的 GameCLR 技术，并与流行的 SimCLR 基线 SSL 方法进行比较。我们的结果表明，与基线相比，GameCLR 能更准确地从游戏画面推断游戏的状态信息。我们提出的方法允许我们直接利用屏幕像素作为输入来进行游戏人工智能研究。
引用
@article{arxiv.2207.01289,
title = {Game State Learning via Game Scene Augmentation},
author = {Chintan Trivedi and Konstantinos Makantasis and Antonios Liapis and Georgios N. Yannakakis},
journal= {arXiv preprint arXiv:2207.01289},
year = {2022}
}
备注
FOUNDATIONS OF DIGITAL GAMES