[論文レビュー] Toward Game Level Generation from Gameplay Videos

Matthew Guzdial, Mark Riedl|arXiv (Cornell University)|Feb 23, 2016

Artificial Intelligence in Games参考文献 12被引用数 30

ひとこと要約

本論文では、『スーパーマリオブラザーズ』の実況動画を分析することで、ゲームデザイン知識を自動的に学習する手法を提案する。スプライトパターン検出と機械学習を用い、スプライト配置の確率的モデルを構築することで、新しい遊び可能なレベルの生成が可能になる。このアプローチは、オリジナルのレベルと高いスタイル的類似性を達成するとともに、遊び可能性を維持しており、明示的なゲームデザイン仕様が存在しない状況でも、動画からデザイン知識を抽出する可能性を示している。

ABSTRACT

Algorithms that generate computer game content require game design knowledge. We present an approach to automatically learn game design knowledge for level design from gameplay videos. We further demonstrate how the acquired design knowledge can be used to generate sections of game levels. Our approach involves parsing video of people playing a game to detect the appearance of patterns of sprites and utilizing machine learning to build a probabilistic model of sprite placement. We show how rich game design information can be automatically parsed from gameplay videos and represented as a set of generative probabilistic models. We use Super Mario Bros. as a proof of concept. We evaluate our approach on a measure of playability and stylistic similarity to the original levels as represented in the gameplay videos.

研究の動機と目的

• ゲームのソースコードや設計文書にアクセスせずに、実況動画からゲームデザイン知識を自動的に抽出すること。
• 設計ルールが明示的に提供されていない環境において、手続き的コンテンツ生成の知識をどのように得るかという課題に取り組むこと。
• 人間の実況プレイからレベル構造のパターンを学び、それを応用して新しい遊び可能なレベルを生成するシステムを開発すること。
• 生成されたレベルについて、遊び可能性とオリジナルのレベルとのスタイル的類似性の両面で評価すること。

提案手法

• アプローチは、敵の配置やプラットフォームの配置といった繰り返しパターンを含むスプライトパターンを検出するために、実況動画を解析する。
• コンピュータビジョン技術を用いて、動画の各フレーム間でスプライトを特定・追跡し、空間的・時間的関係を抽出する。
• 検出されたスプライトパターンに基づいて確率的モデルを学習させ、レベルデザインにおけるさまざまな構成の発生確率を学習する。
• モデルは、レベル要素の生成分布として設計ルールをエンコードし、確率的レベル生成を可能にする。
• プレイヤー移動と衝突検出の単純なシミュレーションを用いて、生成されたレベルの遊び可能性を検証する。
• スタイル的類似性と遊び可能性の指標を用いて、生成されたレベルをオリジナルのレベルと比較評価する。

実験結果

リサーチクエスチョン

• RQ1 ゲームのソースコードや設計文書にアクセスできない状況でも、実況動画からレベル生成のためのゲームデザイン知識を効果的に抽出できるか？
• RQ2 学習された確率的モデルは、動画データから得たものとして、オリジナルのレベルの構造的・スタイル的特徴をどの程度正確に再現できるか？
• RQ3 生成されたレベルは、実況映像で観察された設計意図を保ちつつ、どの程度遊び可能であるか？
• RQ4 異なる動画解析手法の、生成されたレベルの品質および多様性に与える影響は何か？

主な発見

• システムは、『スーパーマリオブラザーズ』のレベルにおける一般的な敵の配置やプラットフォームの配置といったデザインパターンを、実況動画から成功裏に学習した。
• 構造的・空間的特徴の比較による測定において、生成されたレベルはオリジナルのレベルと高いスタイル的類似性を示した。
• プレイヤーのシミュレーションにおいて、人間が設計したレベルと同等の成功率を示し、生成されたレベルは遊び可能であった。
• 本アプローチは、多様性と一貫性のバランスを達成しており、新規性と元の素材との整合性を両立したレベルを生成した。
• 動画データの使用により、ゲーム開発のアーティファクトにアクセスせずにデザイン知識を取得することが可能になった。
• 結果から、形式的な設計規定が存在しない状況においても、実況動画が手続き的コンテンツ生成システムのトレーニングに有効なデータソースである可能性が示唆された。