基于学习的程序化内容生成
人工智能
2013-10-10 v2 人机交互
机器学习
神经与进化计算
摘要
程序化内容生成（PCG）最近已成为计算智能与 AI 游戏研究中最热门的话题之一。在各种 PCG 技术中，基于搜索的方法目前主导着 PCG 的开发。虽然基于搜索的程序化内容生成（SBPCG）能带来令人瞩目的成果和成功的应用，但它在从生成内容的表示到评估等一系列问题上提出了挑战。本文提出了一种替代性且通用的 PCG 框架，名为基于学习的程序化内容生成（LBPCG），旨在为现有 PCG 技术中的若干难题提供潜在的解决方案。通过利用数据驱动学习从游戏开发和公开测试中获取的信息，我们的框架能够生成鲁棒的内容，在线适应终端用户或目标玩家，同时对其体验的干扰最小化。此外，我们开发了实现该框架所需各种模型的赋能技术。作为概念验证，我们基于经典的开源第一人称射击游戏 Quake 开发了一个原型。仿真结果表明，我们的框架在生成高质量内容方面颇具前景。
引用
@article{arxiv.1308.6415,
title = {Learning-Based Procedural Content Generation},
author = {Jonathan Roberts and Ke Chen},
journal= {arXiv preprint arXiv:1308.6415},
year = {2013}
}
备注
13 pages, 9 figures, manuscript submitted to IEEE Transactions on Computational Intelligence and AI Games (Also a technical report, School of Computer Science, The University of Manchester)