Werden wir bald den Tag erleben, an dem die KI Ihr Können analysiert und den Schwierigkeitsgrad automatisch anpasst? Bericht über die Sitzung, in der die Methode und ihre Anwendung auf die automatische Pegelgenerierung besprochen wurden [CEDEC 2024]

Der Tag könnte bald kommen, an dem die KI den Schwierigkeitsgrad basierend auf den Fähigkeiten des Spielers fein anpasst und sogar Level erstellt. Findet am 22. August 2024 am zweiten Tag der Entwicklerkonferenz „CEDEC 2024“ statt. „Methoden zur Analyse der „Fähigkeiten“ des Spielers und der „Schwierigkeit“ des Spiels sowie zur automatischen Levelgenerierung , die Forschungsergebnisse der KI- und Engine-Entwicklungsabteilung von Square Enix wurden enthüllt.

● „Methoden zur Analyse der Spielerfähigkeiten und Spielschwierigkeiten und Anwendung auf die automatische Levelgenerierung“ Sprecher

• Aseong Song (Programmierer der Square Enix AI & Engine Development Division)
• Ken Shirodokoro (KI-Programmierer der Square Enix AI & Engine Development Division)

KI analysiert die Fähigkeiten des Spielers und erstellt einen angenehmen Schwierigkeitsgrad

Um das Spiel spielen zu können, müssen die Spieler über verschiedene Fähigkeiten verfügen, wie zum Beispiel die Fähigkeit, Angriffe zu landen und Angriffen auszuweichen. Herr Song weist darauf hin, dass zwar jeder Spieler Stärken und Schwächen hat, die aktuellen Schwierigkeitseinstellungen des Spiels jedoch einheitlich sind und nicht auf jeden einzelnen Spieler zugeschnitten sind.

Wenn Sie in einer solchen Situation den Schwierigkeitsgrad ändern, steigen oder fallen alle Elemente gleichmäßig, was zu Unstimmigkeiten führen kann. Wenn zum Beispiel eine Person, die schlecht im Ausweichen, aber gut im Angriff ist, den Schwierigkeitsgrad senkt und das Ausweichen einfacher macht, wird es zu einfach, weil sie bereits über hohe Fähigkeiten im Angriff verfügt.

Daher dachte Herr Song: „Wenn wir den Schwierigkeitsgrad für jedes Feld dynamisch anpassen könnten, könnten wir ein Erlebnis bieten, das den Stärken und Schwächen jedes Spielers entspricht.“ Dazu ist ein System notwendig, das die Fähigkeiten der Spieler vorab klassifiziert und es der KI dann ermöglicht, Urteile und Analysen zu treffen.


So entstand der „Ability Analysis“-Mechanismus unter Verwendung des „Ability Graph“. Die „Game Master AI“ überwacht nicht nur das Spiel und beurteilt die Fähigkeiten, sondern greift auch in die Entwicklung des Spiels ein, indem sie die Fähigkeiten des Spielers überprüft und Hilfe leistet oder die Anzahl der Feinde erhöht. Es wurde ein Beispiel gegeben, bei dem dies auf eine Demo der vertikal scrollenden Schießtechnologie angewendet wurde (Spieler gehen über Land und werden beim Bewegen durch das Gelände gestört. Gelände kann zerstört werden und Gegenstände erscheinen darin).

Das Fähigkeitsdiagramm hat eine Diagrammstruktur, in der „Fähigkeitsknoten“ durch „Kanten (Pfeile)“ verbunden sind. Fähigkeitsknoten geben die Fähigkeiten an, die Sie analysieren möchten, z. B. „Grundlegend (Fähigkeit, grundlegende Aufgaben wie Bewegung und Angriffe auszuführen)“ und „Aktion (Fähigkeit, Ziele zu erreichen, indem Sie mehrere Grundfähigkeiten, wie z. B. Besiegen“, vollständig nutzen Feinde und das Aufheben von Gegenständen).

Jeder Fähigkeitsknoten verfügt über eine „Meisterschaftsrate (im Folgenden als MR bezeichnet)“, die das Leistungsniveau des Spielers angibt, und eine „Herausforderungsrate (im Folgenden als CR bezeichnet)“, die die vom Spiel angeforderte Fähigkeit darstellt Es ist ein Gewichtswert (Relevanzwert) festgelegt. Je höher der Wert, desto wichtiger sind sie.
Wenn Sie das Spiel tatsächlich spielen, überprüft die KI des Spielleiters die Fähigkeiten des Spielers in jedem Fähigkeitsknotenpunkt anhand des Fähigkeitsdiagramms. Fähigkeitsmerkmale werden anhand eines Diagramms beurteilt, das zwei Achsen hat: gut←→schwach und schwierig←→einfach. Hohe MR bedeutet gut (niedrig bedeutet schlecht) und hoch bedeutet der Unterschied zwischen CR und MR schwierig (niedrig bedeutet schlecht). ).

Als die Spielleiter-KI dies erkennt, greift sie in die Entwicklung des Spiels ein. Wenn Sie in etwas gut sind, es aber schwierig finden, bitten Sie einen freundlichen NPC, Ihnen zu helfen, und wenn Sie in etwas schwach sind, die Aufgabe selbst aber leicht finden, können Sie Tipps anzeigen, die Ihnen bei der Verbesserung helfen, und detaillierte Folgemaßnahmen anbieten. Es kann auch auf die Produktion angewendet werden, und wenn es Ihnen schwerfällt, können Sie eine verstörende Atmosphäre schaffen, indem Sie den Hintergrund zerfetzt und regnen lassen.

Wenn der Spieler Schwierigkeiten hat, können Sie ihm helfen, oder wenn der Schwierigkeitsgrad nicht ausreicht, können Sie die Anzahl der Feinde und Hindernisse erhöhen, die für den Spieler lohnend sind sagte, dass es möglich sein wird, dies zu tun.

Bei dieser Fähigkeitsknotenmethode ist die Berechnung von MR und CR für die Bewertung wichtig, daher wurden verschiedene Ideen entwickelt. Einige Fähigkeitsknoten können direkt ausgewertet werden, andere nicht. Im Fall des „Besiegens eines Feindes“ kann beispielsweise MR aus der Anzahl der besiegten und nicht besiegten Feinde berechnet werden, und CR kann aus der Art und Anzahl der in einem Level angeordneten Feinde berechnet werden.

Da taktische Fähigkeiten jedoch abstrakt sind, wie etwa „Status erhöhen“ oder „eine Stufe erfolgreich abschließen“, werden sie mithilfe von Gewichtungen aus dem MR und CR der übergeordneten Fähigkeit im Diagramm geschätzt. Diese Idee selbst kann unabhängig vom Genre oder Kartenformat verwendet werden, z. B. FPS, rundenbasiertes Rollenspiel, FPS usw.

Mit Blick auf die Zukunft sagte Herr Song, dass er gerne in der Lage sein würde, die Gründe abzuschätzen, warum ein Stück gut gelaufen ist oder nicht, und Inhalte präsentieren zu können, die den Menschen dabei helfen, die Fähigkeiten zu üben, die das Problem verursacht haben.

Verwendung von KI, um automatisch Level zu generieren, die den Fähigkeiten des Spielers entsprechen

In der zweiten Hälfte des Vortrags sprach Herr Shirodokoro über ein Beispiel für die Verwendung von Fähigkeitsknoten und CR zur automatischen Generierung von Levels, einer Initiative, bei der die KI Stufen entsprechend den Fähigkeiten des Spielers erstellt .

Bei Verwendung der prozeduralen Inhaltsgenerierung (im Folgenden als PCG bezeichnet) zur Ebenengenerierung ist in diesem Beispiel ein PCG-Algorithmus erforderlich, der jeder CR entspricht. Wenn sich jedoch die CR-Spezifikationen ändern, kann der Algorithmus nicht verwendet werden, und mehrere Ein Algorithmus, der CR verwendet Die Berücksichtigung hat den Nachteil, dass sie zu komplex wird.

Um dieses Problem zu lösen, wurde Procedural Content Generation via Reinforcement Learning (Ebenengenerierung mittels Reinforcement Learning, im Folgenden PCGRL genannt) eingesetzt. Es ist möglich, Levels basierend auf von Menschen festgelegten Belohnungen zu generieren. Wenn Sie in diesem Fall CR als Belohnung verwenden, lernt die KI, wie man Levels erstellt.

Reinforcement Learning ist ein Agent, der auf der Grundlage von Belohnungen die beste Strategie lernt und nach Möglichkeiten sucht, mehr Belohnungen zu erhalten. In PCGRL erhalten Agenten Belohnungen, wenn sie Hindernisse in dem von ihnen bearbeiteten Level platzieren, sodass sie lernen, höhere Belohnungen anzustreben (Platzierungen, die der Absicht des Bühnenbilds entsprechen).

Auch bei PCGRL gibt es verschiedene Methoden, jede mit ihren eigenen Einschränkungen. Wenn Sie beispielsweise PCGRL verwenden, um automatisch ein Puzzlespiel zu generieren, bei dem Sie eine Kiste in ein Ziel (wahrscheinlich das sogenannte „Sokoban“) schieben, können Sie durch Anpassen der Belohnungen ein Level mit einem bestimmten Schwierigkeitsgrad erstellen. Dies ist jedoch nicht der Fall Es ist möglich, Ebenen anhand von Parametern wie der Steuerung der Anzahl zu erstellen.

Mit anderen Worten: Es ist unmöglich, Level gemäß der Ziel-CR zu generieren. Steuerbares PCGRL löst dieses Problem. In dem Beispiel, das ich zuvor gegeben habe, kann PCGRL Aspekte wie die Anzahl der Kisten, Ziele und die kürzeste Anzahl von Schritten steuern, aber es kann nicht die Level eines komplexen Spiels wie des Schießspiels generieren, das ich dieses Mal erstellen möchte.

Mehrschichtiges PCGRL generiert automatisch komplexe Spielebenen, indem es „Ebenenschichten“ wie Feinde und Gelände, „Informationsschichten“ mit Informationen wie CR, Geländegenerierungsmodule, Feindesplatzierungsmodule usw. kombinieren kann. Das Geländegenerierungsmodul erstellt das Gelände, das Feindplatzierungsmodul platziert Feinde auf dieser Grundlage und das Gegenstandsplatzierungsmodul platziert Gegenstände, um das Level abzuschließen.

In der Vorlesung wurde auch erläutert, wie Multi-Layer PCGRL automatisch Level bezüglich der Fähigkeit zur Geländezerstörung generiert. Mehrschichtiges PCGRL generiert automatisch jeweils einen Bildschirm. Das Ziel in diesem Fall ist „durchschnittliche 20-Zeilen-CR“, also der Durchschnitt der CR von 20 Zeilen x 16 Spalten für einen Bildschirm. Mehrschichtiges PCGRL wiederholt Versuch und Irrtum, sodass die durchschnittliche CR der generierten Ebene durchschnittlich 20 Zeilen CR beträgt. Mit anderen Worten, die Richtlinie für die Ebene, die Sie generieren möchten, beträgt durchschnittlich 20 Zeilen CR. Je mehr Übereinstimmungen vorliegen, desto höher ist die Belohnung.

In diesem Beispiel führen wir einen Test durch, bei dem wir 20 Millionen Schritte in etwa 4 Tagen lernen, zufällige CRs festlegen und 100 Level erstellen (in diesem Fall Karten im Wert von 100 Bildschirmen). Die normale Generierung dauert durchschnittlich 0,62 Sekunden, die Generierung von Straßen und anderem Gelände zur Führung des Spielers 0,46 Sekunden und das Hinzufügen von Hindernissen 0,74 Sekunden. Alle generierten Levels benötigen durchschnittlich 20 Linien sagte, dass es die Kriterien von CR erfüllte.

Beim Platzieren von Feinden und Gegenständen auf flachem Gelände mit einer durchschnittlichen CR von 20 Linien konnten Feinde in durchschnittlich 0,32 Sekunden und Gegenstände in 0,48 Sekunden platziert werden, und 100 % hatten eine durchschnittliche CR von 20 Linien. Durch die Bearbeitung vorhandener Level durch PCGRL ist es auch möglich, etwas zu erstellen, das zunächst einfach, in der zweiten Hälfte jedoch schwierig ist. Sie haben auch einen Test durchgeführt, bei dem PCGRL beim Spielen Levels in Echtzeit generiert, und offenbar wurden gute Ergebnisse erzielt.

Abschließend sprach Herr Song über Methoden zur Fähigkeitsanalyse, wie die dynamische Generierung von Inhalten und Quests, die Vervollständigung der Karten durch die KI, mit deren Erstellung der Spieler begonnen hat, und die Entwicklung neuer Spiele, die zwar Einzelspieler-Spiele sind, aber an Mehrspieler-Spiele erinnern, wie z Er beendete seinen Vortrag, indem er über Zukunftsaussichten sprach und dachte, dass dies auf Sex anwendbar sei.

„Die automatische Anpassung des Schwierigkeitsgrads mithilfe von KI ist seit langem ein Traum von Spieleentwicklern und ein kontinuierliches Unterfangen. Man kann sagen, dass moderne KI-Forschung und Maschinenleistung diesen Traum realistischer und weitreichender gemacht haben. Als Spieler können Sie ein Spiel genießen, das Ihrem Können entspricht, und die automatische Generierung von Levels macht die Entwicklung abwechslungsreicher, sodass ein Wunsch in Erfüllung geht. In jüngster Zeit gibt es einen Trend, Umgebungen zu schaffen, die für ein breites Spektrum von Menschen einfach zu spielen sind, und es scheint ein starker Bedarf an automatischer Schwierigkeitsanpassung und automatischer Levelgenerierung zu bestehen, und dieser Vortrag hat mir ein starkes Gefühl für deren Potenzial vermittelt.

Das obige ist der detaillierte Inhalt vonWerden wir bald den Tag erleben, an dem die KI Ihr Können analysiert und den Schwierigkeitsgrad automatisch anpasst? Bericht über die Sitzung, in der die Methode und ihre Anwendung auf die automatische Pegelgenerierung besprochen wurden [CEDEC 2024]. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!