[논문 리뷰] Super Mario as a String: Platformer Level Generation Via LSTMs

Adam Summerville, Michael Mateas|arXiv (Cornell University)|2016. 03. 02.

Artificial Intelligence in Games참고 문헌 23인용 수 98

한 줄 요약

저자들은 LSTM 네트워크를 학습시켜 타일의 시퀀스로 레벨을 생성하도록 하고, 8가지 데이터 표현을 탐색하며, 플레이어 경로 정보를 포함시키면 재생 가능하고 인간이 만든 것 같은 레벨이 생성된다는 것을 보인다.

ABSTRACT

The procedural generation of video game levels has existed for at least 30 years, but only recently have machine learning approaches been used to generate levels without specifying the rules for generation. A number of these have looked at platformer levels as a sequence of characters and performed generation using Markov chains. In this paper we examine the use of Long Short-Term Memory recurrent neural networks (LSTMs) for the purpose of generating levels trained from a corpus of Super Mario Brothers levels. We analyze a number of different data representations and how the generated levels fit into the space of human authored Super Mario Brothers levels.

연구 동기 및 목표

• 기존 레벨에서 학습하여 수작업으로 규칙을 설계하지 않고도 플랫폼 게임의 절차적 콘텐츠 생성을 촉진한다.
• 2D 플랫폼 게임 레벨을 신경망 시퀀스 모델에 대한 1D 시퀀스로 표현하는 방법을 조사한다.
• 다양한 데이터 표현이 생성된 레벨의 재생성성(playability)과 품질에 어떤 영향을 미치는지 평가한다.
• 플레이어 경로 정보를 포함시키면 레벨의 재생 가능성이 향상되고 인간이 작성한 레벨과의 정합성이 높아짐을 보여준다.
• 여러 차원에 걸쳐 생성된 레벨과 인간이 저술한 레벨을 비교하기 위한 지표를 제공한다.

제안 방법

• 시퀀스의 다음 타일을 예측하기 위해 각 512 유닛의 3개 계층으로 구성된 Long Short-Term Memory 네트워크를 사용한다.
• 일반화를 개선하기 위해 수직 슬라이스가 아니라 타일 유형의 시퀀스로 레벨을 표현한다(원-핫 인코딩).
• Bottom-To-Top 대 Snaking 등 여덟 가지 유도 데이터 순서를 탐구한다(경로 정보 있음/없음; 열 깊이 정보 있음/없음).
• 200단계의 역전파-시간 창을 도입하고 과적합을 줄이기 위해 드롭아웃을 적용한다.
• 레벨 진행을 포착하도록 매 다섯 개 열마다 특수 열 깊이 토큰을 증가시킨다.
• 39개의 클래식 SMB 레벨(및 SMB2)을 대상으로 70/30의 학습/평가 분할로 네트워크를 학습시키고 음의 로그가능도 및 기타 재생 가능성 지표로 평가한다.

실험 결과

연구 질문

• RQ1 2D 플랫폼 게임 레벨을 1D 시퀀스로 표현하는 다양한 표현 방식이 LSTM 기반 생성에 어떤 영향을 미치는가?
• RQ2 레벨을 가로지르는 시뮬레이션 경로나 인간이 도출한 경로를 포함시키면 재생 가능성이 향상되는가, 그리고 이것이 지표에 어떻게 반영되는가?
• RQ3 어떤 순서 조합(Bottom-To-Top 대 Snaking), 경로 정보, 열 깊이 정보의 조합이 현실성과 재생 가능성 사이에서 최적의 균형을 제공하는가?
• RQ4 LSTM이 생성한 레벨이 선형성(linearity), 관대성(leniency) 등과 같은 특성을 인간이 작성한 레벨과 근접하게 맞출 수 있는가?

주요 결과

• 가장 성능이 좋은 데이터 형식은 Snaking-Path-Depth이며 보류 데이터에서 가장 낮은 음의 로그 가능도를 달성한다.
• 경로 정보를 포함시키면 재생 가능성이 크게 향상되며 경로 지원 모델은 비경로 모델보다 평가에서 대략 두 배 정도 높은 성능을 보인다.
• 모든 경로 정보를 갖춘 생성기는 경로 길이 및 기타 지표가 인간이 작성한 레벨과 일치하며, 경로 인식 변형은 이전에 보고된 ML 기반 생성기보다 재생 가능성이 더 높아(최대 97% 완성 가능).
• 경로 정보가 있는 레벨은 여러 지표(선형성, 관대함, 장식, 경로 길이 등)에서 원래 SMB 레벨의 표현 범위와 일치한다.
• 이 시스템은 97%의 완성 가능 레벨을 달성하여 이전 ML 기반 결과(66%)를 상회하고 이전 대회의 최고 인간 저작 시스템(94%)을 능가한다.