[論文レビュー] Learning to Blend Computer Game Levels

Matthew Guzdial, Mark Riedl|arXiv (Cornell University)|Mar 8, 2016

Artificial Intelligence in Games参考文献 19被引用数 18

ひとこと要約

本論文では、スーパーマリオブラザーズのプレイ動画から確率的レベル設計モデルを学習し、類推的推論を用いてそれらを統合して、スタイル的に一貫性のある新しいレベル設計を生成する非教師付きの概念融合手法を提示する。このシステムは人間並みのスタイル評価の正確性を達成し、熟練者が設計した統合レベルを効果的に説明でき、人為的なヒューリスティクスに依存せずに創造的レベル生成の一般化と評価が可能であることを示している。

ABSTRACT

We present an approach to generate novel computer game levels that blend different game concepts in an unsupervised fashion. Our primary contribution is an analogical reasoning process to construct blends between level design models learned from gameplay videos. The models represent probabilistic relationships between elements in the game. An analogical reasoning process maps features between two models to produce blended models that can then generate new level chunks. As a proof-of-concept we train our system on the classic platformer game Super Mario Bros. due to its highly-regarded and well understood level design. We evaluate the extent to which the models represent stylistic level design knowledge and demonstrate the ability of our system to explain levels that were blended by human expert designers.

研究の動機と目的

• プレイ動画から学習したモデルを用いて、非教師付きの方法でコンピュータゲームのレベル設計を統合する手法の開発。
• 手作業で作成されたヒューリスティクスに依存せずに、人間がレベル設計の質を評価するのと同様の能力をシステムに与えること。
• 統合されたモデルが熟練者が設計した人間のレベル統合を、他のモデルと比較して説明・評価できることを示すこと。
• 実際のプレイから得た確率的グラフィカルモデルを用いた、ビデオゲームにおける概念統合の可能性の調査。

提案手法

• システムは、スプライト、ブロック、地形などのレベル要素間の関係をエンコードするプレイ動画から確率的グラフィカルモデルを学習する。
• 類推的推論により、2つの訓練済みのレベル設計モデル（例：オーバーワールドと城）間の構造的特徴をマッピングし、統合モデルを作成する。
• 統合モデルは、構造的構成の尤度を評価することで、新しいレベル断片の生成と評価に使用される。
• システムは、全体のモデル分布に与える寄与度に基づき、統合に適したLノード（レベル断片）を選択し、代表的な特徴を最適化する。
• 人間による評価研究を通じて、参加者のレベルスタイル順位とシステムの尤度スコアを比較し、評価能力の妥当性を検証する。
• 事例研究では、統合モデルが熟練者が設計したレベルをどのように説明するかを分析し、統計的検定（ウィルコクソン・マン・ホイットニー検定）を用いてモデル分布を比較する。

実験結果

リサーチクエスチョン

• RQ1 システムはプレイ動画からレベル設計スタイルを学習し、人間並みの正確性で新しいレベルの評価が可能か？
• RQ2 学習済みのレベルモデル間の類推的推論によって、どれほど新しい一貫性のあるレベル設計が生成可能か？
• RQ3 統合モデルは、人間熟練者が設計した統合レベルを、非統合モデルよりもよく説明・評価できるか？
• RQ4 システムのノード選択戦略は、統合に最も重要な特徴を効果的に捉えているか？

主な発見

• システムの尤度スコアは、人間によるスタイル類似度順位と強く相関しており、レベル設計スタイルの適切な捉え込みを示している。
• World 9-3の事例研究において、統合モデルの分布はSMBモデルとは顕著に異なる（p = 0.0008308）ことが確認され、統合レベルのモデリングが向上したことを裏付けている。
• 完全な統合モデルとシステムが選択した統合モデルの間には有意差がなく（p > 0.05）、システムが統合に最も重要なLノードを効果的に特定していることを示している。
• システムの統合モデルは、実際のスーパーマリオブラザーズのレベルの範囲内に中央値の尤度スコアを達成しており、出力品質が現実的であることを示している。
• ウィルコクソン・マン・ホイットニー検定により、World 9-1において統合モデルの分布はSMBモデルとは顕著に異なる（p = 0.03327）ことが確認され、統合コンテンツのモデリングが向上したことを示している。
• 統合モデルから生成されたレベルは高品質な出力を生み出した（例：図8および図9）、一方、低スコアのレベル（例：図10）は浮遊する城や孤立したブロックといった構造的欠陥を示していた。