[논문 리뷰] Illuminating Mario Scenes in the Latent Space of a Generative Adversarial Network

Matthew C. Fontaine, Ruilin Liu외 5명|arXiv (Cornell University)|2020. 07. 10.

Artificial Intelligence in Games인용 수 8

한 줄 요약

이 논문은 슈퍼 마리오 브라더스의 레벨 환경을 학습한 GAN의 잠재공간을 탐색하기 위해 품질다양성 알고리즘—특히 MAP-Elites와 CMA-ME를 사용하는 것을 제안한다. 이를 통해 디자이너는 특정 게임플레이 특성(예: 적의 수, 장애물 수 등)을 지정하여 다양하고 고품질의 레벨을 생성할 수 있다. CMA-ME는 커버리지와 품질 측면에서 다른 방법들보다 뛰어난 성능을 보였으며, 인간이 설계한 레벨과 유사한 스타일을 유지하면서도 적의 수나 지형 복잡도와 같은 메커니즘에서 다양성을 확보한 레벨을 생성했다.

ABSTRACT

Generative adversarial networks (GANs) are quickly becoming a ubiquitous approach to procedurally generating video game levels. While GAN generated levels are stylistically similar to human-authored examples, human designers often want to explore the generative design space of GANs to extract interesting levels. However, human designers find latent vectors opaque and would rather explore along dimensions the designer specifies, such as number of enemies or obstacles. We propose using state-of-the-art quality diversity algorithms designed to optimize continuous spaces, i.e. MAP-Elites with a directional variation operator and Covariance Matrix Adaptation MAP-Elites, to efficiently explore the latent space of a GAN to extract levels that vary across a set of specified gameplay measures. In the benchmark domain of Super Mario Bros, we demonstrate how designers may specify gameplay measures to our system and extract high-quality (playable) levels with a diverse range of level mechanics, while still maintaining stylistic similarity to human authored examples. An online user study shows how the different mechanics of the automatically generated levels affect subjective ratings of their perceived difficulty and appearance.

연구 동기 및 목표

• 인간 디자이너가 직관적으로 사용할 수 있는 방식으로 GAN의 잠재공간을 탐색하여 프로시저럴 게임 레벨 생성 문제를 해결하고자 한다.
• 어려움을 겪는 목적함수를 수립하는 데 의존하기보다, 디자이너가 게임플레이 측정치(예: 적의 수, 장애물 수 등)를 지정할 수 있도록 하여, 이를 가능하게 하고자 한다.
• 품질다양성(QD) 알고리즘이 GAN의 잠재공간에서 스타일적으로 일관되면서도 다양하고 고품질의 레벨 세트를 효율적으로 추출할 수 있는지 평가하고자 한다.
• GAN 기반 레벨 생성 환경에서 최신 QD 알고리즘들을 비교하여 가장 효과적인 접근법을 규명하고자 한다.

제안 방법

• 실제 슈퍼 마리오 브라더스 레벨 환경을 기반으로 훈련된 조건부 DCGAN을 사용하여, 잠재공간 내에서 현실감 있는 레벨 이미지를 생성한다.
• 품질다양성 알고리즘—MAP-Elites, MAP-Elites(line), CMA-ME를 활용하여, 게임플레이 측정치(예: 적의 수, 하늘 타일 수 등)와 GAN의 정확도를 동시에 최적화함으로써 잠재공간을 탐색한다.
• 지속적인 잠재공간 내 탐색 성능을 향상시키기 위해 CMA-ME에 방향성 변형 연산자와 공분산 행렬 적응 기법을 적용한다.
• 게임플레이 측정치를 연속형 변수로 정의하고, 이를 QD 알고리즘의 행동기저(descriptor)로 사용한다(정규화된 [0,1] 범위 내).
• 주관적 사용자 연구를 통해 레벨의 난이도 및 인간이 작성한 레벨과의 유사도를 평가하며, 객관적 지표(기준 레벨과의 KL 발산)를 함께 사용한다.
• 엄격한 품질 제어 조건 하에 Amazon Mechanical Turk를 통해 사용자 연구 데이터를 수집·분석하였으며, 혼합효과 순서형 회귀분석을 사용하여 게임플레이 특성이 인식에 미치는 영향을 평가하였다.

실험 결과

연구 질문

• RQ1 품질다양성 알고리즘이 훈련된 GAN의 잠재공간을 효과적으로 조명하여, 특정 게임플레이 특성을 지닌 다양한 고품질의 슈퍼 마리오 브라더스 레벨 환경을 생성할 수 있는가?
• RQ2 다른 QD 알고리즘(CMA-ME, MAP-Elites, CMA-ES 등)은 생성된 레벨 세트의 커버리지와 품질 측면에서 어떻게 비교되는가?
• RQ3 게임플레이 측정치(예: 적의 수, 하늘 타일 수 등)는 사용자들이 레벨 난이도와 인간이 작성한 레벨과의 시각적 유사도를 어떻게 인식하는지에 얼마나 큰 영향을 미치는가?
• RQ4 KL-발산 지표는 기준 레벨 환경과의 유사도에 대해 인간의 인식과 상관관계가 있는가?

주요 결과

• CMA-ME는 다양성(커버리지)과 품질(QD 점수) 측면에서 다른 모든 알고리즘을 압도하여 가장 포괄적이고 고성능의 레벨 세트를 생성했다.
• 적의 수보다 하늘 타일 수가 난이도 인식에 더 강한 영향을 미쳤다(β = 4.35, p < 0.001), 이는 지형 복잡도가 난이도 인식에 더 두드러진 요소임을 시사한다.
• 사용자들은 점프 빈도와 거리가 난이도 평가에 가장 큰 영향을 미치는 주요 요소로 지속적으로 지목했다. 이는 게임플레이 메커니즘과 일치하는 결과였다.
• KL-발산 값은 기준 레벨 환경과의 유사도 인식을 유의미하게 예측했다(β1 = -1.24, p < 0.001; β2 = -0.40, p < 0.001), 이는 지표가 인간의 인식과 잘 부합함을 보여준다.
• 사용자 연구 결과, 다양한 메커니크를 가진 레벨은 난이도와 외관 면에서 모두 구분 가능하게 인식되었으며, 생성된 출력의 다양성이 검증되었다.
• 이 방법은 인간이 작성한 예시와 유사한 스타일을 유지하면서도, 잠재공간 탐색을 통해 게임플레이 특성에 대해 미세 조절이 가능함을 성공적으로 입증했다.