[論文レビュー] Controllable Level Blending between Games using Variational Autoencoders

Anurag Sarkar, Zhihan Yang+1 more|arXiv (Cornell University)|Feb 27, 2020

Artificial Intelligence in Games参考文献 39被引用数 22

ひとこと要約

本稿では、変分オートエンコーダー（VAEs）を用いて、Super Mario Bros. と Kid Icarus の両ゲームのレベルセグメントを、構造的および美的特性を捉えた共有潜在空間を学習することで、細分化された制御可能なブレンドを可能にする手法を提案する。本手法は、潜在空間内での補間、進化的探索による特性最適化、および割合に基づくブレンドをサポートし、GNN や LSTMs よりも協働的レベルデザインにおいて優れた性能を示す。これは、潜在ベクトルと生のレベル入力を両方受け入れられる点に起因する。

ABSTRACT

Previous work explored blending levels from existing games to create levels for a new game that mixes properties of the original games. In this paper, we use Variational Autoencoders (VAEs) for improving upon such techniques. VAEs are artificial neural networks that learn and use latent representations of datasets to generate novel outputs. We train a VAE on level data from Super Mario Bros. and Kid Icarus, enabling it to capture the latent space spanning both games. We then use this space to generate level segments that combine properties of levels from both games. Moreover, by applying evolutionary search in the latent space, we evolve level segments satisfying specific constraints. We argue that these affordances make the VAE-based approach especially suitable for co-creative level design and compare its performance with similar generative models like the GAN and the VAE-GAN.

研究の動機と目的

• 複数のゲームから得た特徴を機械学習を用いて統合する制御可能で協働的なレベル生成システムの開発。
• 従来のLSTMベースのブレンド手法の限界を克服する。これには、ゲームセグメントの切り替えしかできず、レベル特徴に関する細分化された制御が欠けていた。
• デザイナーが特定の制約（例：難易度、密度）を満たし、各ゲーム要素の所定の割合を持つレベルセグメントを生成できるようにすること。
• VAEs と GANs、VAE-GANs を比較し、ゲーム間のレベルブレンドにおいて、使いやすさとデザイン制御の観点から性能を評価すること。
• デザイナーが関与するインタラクティブなレベルデザインツールの基盤として、VAEs が有効であるかを検討すること。

提案手法

• Super Mario Bros. と Kid Icarus からそれぞれ1レベルずつを用いて VAE を学習し、両ゲームの構造的および美的特性を捉える共有で分離可能な潜在空間を学習する。
• VAE のエンコーダーを用いてレベルセグメントを潜在ベクトルにマッピングし、異なるゲームからのセグメント間での補間を可能にする。
• 潜在空間内で進化的探索を実行し、難易度、密度、非線形性といったユーザー定義の制約を満たすセグメントを生成する潜在ベクトルを進化させる。
• 潜在ベクトルだけでなく、生のレベル入力そのものを VAE のデコーダーに直接入力可能にすることで、GAN よりも直感的な制御を可能にする。
• 各ゲームの潜在表現からの寄与をバランスさせるように潜在ベクトルを進化させることで、ゲーム固有の要素の所定の割合を持つブレンドを実現する。
• 潜在空間内でのベクトル演算を用いて、特徴の転送や、レベルセグメント間の代替的接続の探索を可能にする。

実験結果

リサーチクエスチョン

• RQ1 VAEs は、Super Mario Bros. と Kid Icarus という2つの異なるゲームから、構造的および美的特性を捉えた共有潜在空間を効果的に学習できるか？
• RQ2 VAE を用いたアプローチは、GAN や LSTM と比較して、ゲーム間のレベルセグメントの制御可能なブレンドをどの程度可能にするか？
• RQ3 VAE の潜在空間内で実行される進化的探索は、難易度や密度といった特定のデザイン制約を満たすレベルセグメントをどの程度効果的に生成できるか？
• RQ4 VAE は、異なるゲームからのセグメント間の補間と、各ゲーム要素の所定の割合を持つ新しいセグメントの生成を両方可能にするか？
• RQ5 潜在ベクトルだけでなく、生のレベルセグメントを入力できるという特徴が、協働的レベルデザインにおけるデザイナーの制御力をどの程度向上させるか？

主な発見

• VAE は、Super Mario Bros. と Kid Icarus のレベルをカバーする共有潜在空間を成功裏に学習し、両ゲームからのセグメント間で意味のある補間を可能にした。
• 潜在空間内での進化的探索により、目標難易度、密度、非線形性といったユーザー指定の制約を満たすセグメントが生成され、効果的な最適化が実証された。
• 生のレベルセグメントを入力できる点が、GAN よりも優れた制御性を提供するため、VAE は協働的デザインにおいて GAN を上回った。
• 各ゲームの表現からの寄与をバランスさせるように潜在ベクトルを進化させることで、ゲーム固有の要素の割合に基づくブレンドが実現された。
• 異なるゲームからのセグメント間の補間により、両元の構造的および美的特徴を保持した一貫性のあるブレンドされたセグメントが得られた。
• VAE のアプローチは、GAN がネイティブにサポートしない高度な機能をサポートしており、例えばセグメント間の代替接続の生成や、特徴転送のためのベクトル演算が可能である。