在生成对抗网络潜空间中照亮马里奥关卡场景
人工智能
2021-06-22 v4
摘要
生成对抗网络（GANs）正迅速成为程序化生成视频游戏关卡的普遍方法。尽管GAN生成的关卡在风格上类似于人工创作实例，人类设计者常希望探索GAN的生成设计空间以提取有趣关卡。然而，人类设计者发现潜向量难以理解，更倾向于沿其指定的维度（如敌人或障碍数量）进行探索。我们提出使用为连续空间优化设计的前沿质量多样性算法，即带方向变异算子的MAP-Elites与协方差矩阵自适应MAP-Elites，高效探索GAN潜空间以提取在指定一组玩法度量上变化的关卡。在超级马里奥兄弟基准领域中，我们展示了设计者如何向系统指定玩法度量，并提取具有多样关卡机制且高质量（可玩）的关卡，同时保持与人工创作实例的风格相似性。一项在线用户研究表明，自动生成关卡的不同机制如何影响其感知难度与外观的主观评分。
引用
@article{arxiv.2007.05674,
title = {Illuminating Mario Scenes in the Latent Space of a Generative Adversarial Network},
author = {Matthew C. Fontaine and Ruilin Liu and Ahmed Khalifa and Jignesh Modi and Julian Togelius and Amy K. Hoover and Stefanos Nikolaidis},
journal= {arXiv preprint arXiv:2007.05674},
year = {2021}
}
备注
Accepted to AAAI 2021