[논문 리뷰] Learning to Blend Computer Game Levels

Matthew Guzdial, Mark Riedl|arXiv (Cornell University)|2016. 03. 08.

Artificial Intelligence in Games참고 문헌 19인용 수 18

한 줄 요약

이 논문은 슈퍼 마리오 브라더스 플레이어 비디오에서 유의미한 수준 설계 모델을 학습하고, 유사성 추론을 통해 이를 융합하여 새로운 스타일적으로 일관된 수준 설계를 만드는 비지도 개념 융합 기법을 제시한다. 이 시스템은 인간 수준의 스타일 평가 정확도를 달성하며 전문가가 설계한 융합 수준을 효과적으로 설명함으로써, 인간이 작성한 히우리스틱에 의존하지 않고 창의적 수준 생성의 일반화 및 평가 능력을 입증한다.

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.

연구 동기 및 목표

• 플레이어 비디오에서 학습한 모델을 기반으로 비지도 방법으로 컴퓨터 게임 수준 설계를 융합하는 기법 개발.
• 수동으로 작성된 히우리스틱에 의존하지 않고 인간처럼 수준 설계 품질을 평가할 수 있도록 시스템 기능 제공.
• 융합된 모델이 전문가 수준의 인간이 설계한 융합 수준을 더 잘 설명하고 평가할 수 있는지 입증.
• 실제 플레이어 행동에서 유도된 확률적 그래픽 모델을 활용한 비디오 게임에서의 개념 융합의 가능성 탐색.

제안 방법

• 시스템은 수준 요소(예: 스프라이트, 블록, 지형 등) 간의 관계를 인코딩하는 확률적 그래픽 모델을 플레이어 비디오에서 학습한다.
• 유사성 추론을 통해 두 개의 훈련된 수준 설계 모델(예: 오버월드 및 성) 간의 구조적 특징을 매핑하여 융합 모델을 생성한다.
• 융합 모델은 구조적 구성의 가능성을 평가함으로써 새로운 수준 조각을 평가하고 생성하는 데 사용된다.
• 전체 모델 분포에 기여도가 높은 L 노드(수준 조각)를 선택하여 융합에 최적화된 대표성 있는 요소를 확보한다.
• 참가자들이 수준 스타일을 순위 매긴 결과와 시스템의 가능도 점수를 비교하는 인간 평가 연구를 통해 시스템의 평가 능력을 검증한다.
• 사례 연구를 통해 융합 모델이 전문가가 설계한 수준을 어떻게 설명하는지 분석하며, 통계적 검정(Wilcoxon-Mann-Whitney)을 통해 모델 분포를 비교한다.

실험 결과

연구 질문

• RQ1 시스템은 플레이어 비디오에서 수준 설계 스타일을 학습하고, 인간 수준의 정확도로 새로운 수준을 평가할 수 있는가?
• RQ2 학습된 수준 모델 간의 유사성 추론이 얼마나 새로운, 일관된 수준 설계를 생성할 수 있는가?
• RQ3 융합 모델이 비융합 모델보다 인간 전문가가 설계한 융합 수준를 더 잘 설명하고 평가할 수 있는가?
• RQ4 시스템의 노드 선택 전략은 융합에 가장 중요한 특징을 효과적으로 파악하는가?

주요 결과

• 시스템의 가능도 점수는 인간이 평가한 스타일 유사성 순위와 강한 상관관계를 보이며, 수준 설계 스타일을 효과적으로 포착한 것으로 나타났다.
• 월드 9-3 사례 연구에서 융합 모델의 분포는 SMB 모델과 유의미하게 다름(p = 0.0008308)을 보이며, 융합 수준에 대한 모델링 향상이 확인되었다.
• 전체 융합 모델과 시스템이 선택한 융합 모델 간 유의미한 차이가 없음(p > 0.05)을 보이며, 시스템이 융합에 가장 중요한 L 노드를 효과적으로 식별했다고 확인되었다.
• 시스템의 융합 모델은 실제 슈퍼 마리오 브라더스 수준의 가능도 점수 중앙값 범위 내에 위치하여 현실적인 출력 품질을 입증하였다.
• Wilcoxon-Mann-Whitney 검정을 통해 융합 모델의 분포가 원본 SMB 모델과 유의미하게 다름(p = 0.03327)을 보이며, 월드 9-1에서 융합 콘텐츠에 대한 모델링 향상이 확인되었다.
• 융합 모델에서 생성된 수준은 높은 품질의 출력을 보였음(예: 그림 8 및 9), 반면 낮은 점수를 받은 수준(예: 그림 10)은 떠 있는 성이나 고립된 블록 등의 구조적 결함을 보였다.