[논문 리뷰] Exploring Level Blending across Platformers via Paths and Affordances

Anurag Sarkar, Adam Summerville외 3명|arXiv (Cornell University)|2020. 08. 22.

Artificial Intelligence in Games인용 수 6

한 줄 요약

이 논문은 통합된 기회 및 경로 기반 표현을 사용하여 여섯 개의 플랫폼 게임을 융합하는 새로운 PCGML 접근법을 제안한다. 이는 변동형 오토인코더(VAE)가 다양한 도메인 간에 새로운 탐색 가능한 레벨을 생성할 수 있도록 한다. GRU-VAE 버전은 선형 VAE보다 더 높은 일관성과 낮은 실패율을 보이며, 다양한 플랫폼 게임 메커니즘 간의 융합 레벨 생성에서 더 나은 일반화 및 구조적 일관성을 입증한다.

ABSTRACT

Techniques for procedural content generation via machine learning (PCGML) have been shown to be useful for generating novel game content. While used primarily for producing new content in the style of the game domain used for training, recent works have increasingly started to explore methods for discovering and generating content in novel domains via techniques such as level blending and domain transfer. In this paper, we build on these works and introduce a new PCGML approach for producing novel game content spanning multiple domains. We use a new affordance and path vocabulary to encode data from six different platformer games and train variational autoencoders on this data, enabling us to capture the latent level space spanning all the domains and generate new content with varying proportions of the different domains.

연구 동기 및 목표

• 단일 도메인 생성을 넘어서 다양한 플랫폼 게임 간의 다도메인 융합을 가능하게 하여 PCGML를 확장한다.
• 다양한 플랫폼 게임 메커니즘 간의 구조적 및 플레이어블 인식 표현을 가능하게 하는 통합된 기회 및 경로 어휘를 개발한다.
• 일관성 있고 탐색 가능한 융합 레벨을 생성하는 데서 순환 구조(GRU-VAE)와 완전 연결 구조(선형 VAE) 아키텍처의 성능을 평가한다.
• A*-검색된 에이전트로부터 유도된 경로 정보가 생성된 레벨의 품질과 연결성에 어떻게 기여하는지 탐구한다.
• 미래의 게임 AI 및 절차적 콘텐츠 생성을 위한 일반화된 물리 모델을 융합된 레벨 데이터로부터 학습할 잠재력을 탐색한다.

제안 방법

• 저자는 타일 속성(예: soli, 벽, ladder)과 플레이어블 기능(예: 점프 궤적, 적 스폰)을 기반으로 한 통합된 기회 어휘를 정의하여 여섯 개의 NES 플랫폼 게임 간의 표준화된 표현을 구현한다.
• 도메인 특화 점프 물리 법칙에 따라 안내된 A* 에이전트를 사용하여 경로 데이터를 생성하고, 학습 데이터에 플레이어블 가능성과 연결성을 인코딩한다.
• 통합된 경로 주석이 부여된 레벨 데이터를 기반으로 변동형 오토인코더(VAE)를 훈련하며, 두 가지 아키텍처를 사용한다: 완전 연결 층을 사용하는 모델과 순차적 모델링을 위한 GRU 층을 사용하는 모델.
• 모델 평가 방법은 경로 생성을 통한 것이며, 레벨을 샘플링하고 에이전트의 성공률(실패율)과 실제 레벨 분포와의 Fréchet 거리를 측정한다.
• 잠재 공간을 사용하여 게임 쌍 간의 보간을 생성하고, 정성적 분석을 통해 융합 레벨의 일관성과 구조적 타당성을 평가한다.
• 이 방법은 여러 소스 게임의 구조적 및 기계적 특징을 융합한 새로운 레벨을 제로샷 생성할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 통합된 기회 및 경로 기반 표현이 여섯 개의 서로 다른 플랫폼 게임 간의 구조적 다양성과 플레이어블 다양성을 효과적으로 캡처할 수 있는가?
• RQ2 A*-생성된 플레이어블 경로를 통합함으로써 다도메인 PCGML 환경에서 생성된 레벨의 품질과 연결성이 어떻게 향상되는가?
• RQ3 GRU-VAE 아키텍처가 여러 플랫폼 게임 도메인 간에 일관성 있고 탐색 가능한 레벨 블렌드를 생성하는 데에서 선형 VAE보다 우수한 성능을 보이는가?
• RQ4 융합 VAE 모델의 잠재 공간이 서로 다른 플랫폼 메커니즘과 레벨 설계 간에 의미 있는 보간을 얼마나 잘 수행할 수 있는가?
• RQ5 제안된 방법이 어떤 소스 게임의 직접적인 복제가 아니지만, 여러 도메인의 특징을 융합한 새로운 플레이어블 레벨 설계를 생성할 수 있는가?

주요 결과

• GRU-VAE 모델(GRU-32)은 다섯 개 게임 중 세 곳에서 가장 낮은 실패율과 가장 낮은 Fréchet 거리를 기록하여 더 높은 생성 품질과 분포 유사성을 나타낸다.
• 선형 VAE 모델(LIN-128)은 선형 아키텍처 중에서 가장 우수한 성능을 보였으며, 다섯 개 게임 중 두 곳에서 가장 낮은 실패율과 가장 낮은 Fréchet 거리를 기록했다.
• GRU-VAE는 선형 모델보다 더 일관되고 연결된 경로를 생성했으며, 선형 모델은 더 노이지하고 덜 연결된 경로 패tern을 보였다.
• GRU-VAE를 사용한 보간에서는 의미 있는 구조적 전이가 관찰되었다. 예를 들어, SMB → MM은 파괴 가능한 블록에서 열린 공간으로의 전이였고, CV → MM은 열린 영역에서 동굴 유사 통로로의 전이였다.
• 슈퍼 마리오 브라더스를 포함한 블렌드는 다른 것들보다 더 높은 Fréchet 거리를 보였는데, 이는 복잡하고 다양한 레벨 설계와 물리 법칙 때문일 것이다.
• GRU-VAE 모델은 선형 모델보다 더 적은 노이즈와 더 구조적으로 타당한 보간을 생성했지만, 때로는 더 명확하게 보이는 보간이 아니었으며, 이는 더 나은 장거리 일관성을 의미한다.