[논문 리뷰] Designer Modeling through Design Style Clustering

Alberto Alvarez, José Font외 1명|arXiv (Cornell University)|2020. 04. 03.

Artificial Intelligence in Games참고 문헌 36인용 수 4

한 줄 요약

이 논문은 혼합 주도형 게임 설계에서 디자이너 행동을 클러스터링을 통한 실내 디자인 스타일 분석과 빈번한 시퀀스 마이닝을 통해 모델링함으로써, '디자이너 퍼스널리티(Personas)'로 불리는 고유한 설계 경로를 규명한다. 48명의 사용자가 참여한 진화적 던전 디자이너 데이터를 바탕으로, 12개의 일관성 있는 실내 스타일 클러스터와 4개의 주요 설계 퍼스널리티를 식별하여, 저비용으로 계산하면서도 AI가 디자이너의 의도를 예측하고 절차적 콘텐츠 생성을 안내할 수 있도록 한다.

ABSTRACT

We propose modeling designer style in mixed-initiative game content creation tools as archetypical design traces. These design traces are formulated as transitions between design styles; these design styles are in turn found through clustering all intermediate designs along the way to making a complete design. This method is implemented in the Evolutionary Dungeon Designer, a research platform for mixed-initiative systems to create adventure and dungeon crawler games. We present results both in the form of design styles for rooms, which can be analyzed to better understand the kind of rooms designed by users, and in the form of archetypical sequences between these rooms, i.e., Designer Personas.

연구 동기 및 목표

• 절차적 게임 콘텐츠 생성에서 인간과 AI 간의 원활한 협업을 가능하게 하기 위해, 개별 행동을 넘어서 디자이너 행동을 모델링하는 데 도전한다.
• 개별 편집 작업에 기반한 지도 학습 모델의 한계를 극복하기 위해, 디자인 스타일과 경로로의 추상화 수준을 전환한다.
• 디자이너가 레벨 설계 과정을 거쳐가는 데서 나타나는 반복 패턴을 반영하는 고유한 설계 경로—'디자이너 퍼스널리티'—를 규명한다.
• AI 시스템이 관찰된 디자인 스타일과 진행 패턴에 맞춰 선호도를 예측하고 콘텐츠 제안을 할 수 있도록 한다.
• 실제 디자인 세션 데이터에 기반한 비지도 클러스터링과 빈번한 시퀀스 마이닝을 활용해 확장 가능한 데이터 기반의 디자이너 모델링 방법을 제공한다.

제안 방법

• 180개의 고유한 던전 실내 구조물에서 유도된 중간 설계 상태를, 설계 단계 순서에 기반해 12개의 일관성 있는 실내 스타일 클러스터로 군집화한다.
• 비지도 학습을 활용해 레벨 생성 과정에서의 편집 순서에서 대표적인 설계 스타일을 식별한다.
• 디자인 세션 트레이스에 대한 빈번한 시퀀스 마이닝을 적용하여 스타일 공간을 통해 반복적인 고유한 경로를 발견한다.
• 각 디자이너의 세션을 식별된 스타일 클러스터에 매핑하여 특정 디자이너 퍼스널리티와의 일치도를 판단한다.
• 클러스터 간의 설계 진행 상황을 시각화하여 명확하고 반복적인 설계 경로의 존재를 검증한다.
• 수득된 모델을 활용해 현재 스타일 공간 내 위치를 기반으로 다음에 올 가능성이 높은 설계 스타일을 예측함으로써 절차적 콘텐츠 생성을 안내한다.

실험 결과

연구 질문

• RQ1 혼합 주도형 게임 설계에서 개별 편집을 넘어서 더 높은 수준의 추상화를 통해 디자이너 행동을 어떻게 모델링할 수 있는가?
• RQ2 던전 크래이저 제작 도구에서 실제 사용자 디자인 세션에서 도출된 주요 고유한 설계 경로는 무엇인가?
• RQ3 중간 설계 단계의 클러스터링이 디자이너 의도를 반영하는 일관성 있고 의미 있는 실내 디자인 스타일을 드러낼 수 있는가?
• RQ4 디자이너가 스타일 공간을 통해 예측 가능하고 반복적인 경로를 따르는 정도는 어느 정도이며, 이를 어떻게 AI 보조 기능에 활용할 수 있는가?
• RQ5 수득된 디자이너 퍼스널리티는 절차적 콘텐츠 생성과 디자이너 선호도 간의 일치를 어떻게 향상시킬 수 있는가?

주요 결과

• 이 방법은 180개의 고유한 실내 구조물에서 유도된 중간 설계 단계의 클러스터링을 통해 12개의 일관성 있고 대표적인 실내 디자인 스타일을 성공적으로 규명하였다.
• 디자인 세션의 빈번한 시퀀스 마이닝을 통해 4개의 주요 고유한 설계 경로—Split Central-Focus, Goal-Oriented, Architectural Focus, Early Design—을 발견하였다.
• 디자인 세션이 진행 단계에 따라 여러 퍼스널리티와 일치하는 것으로 나타났으며, 일부 디자인은 초반에 이질적이지만 나중에 명확한 경로로 수렴하는 경향을 보였다.
• 현재 스타일과 스타일 공간 내에서의 다음 단계를 식별함으로써, 저비용으로 디자이너 의도를 예측할 수 있다.
• 초기 단계의 디자인에서 나타나는 설계의 불확실성과 적응 능력을 모델이 성공적으로 포착하였으며, 이는 나중에 알려진 퍼스널리티와 일치하는 경향을 보였다.
• 수득된 디자이너 퍼스널리티는 더 높은 스타일적 정확도를 확보하는 검색 기반 또는 강화 학습 기반의 콘텐츠 생성에 기초가 된다.