[论文解读] "Press Space to Fire": Automatic Video Game Tutorial Generation

Michael Cerny Green, Ahmed Khalifa+2 more|arXiv (Cornell University)|May 30, 2018

Educational Games and Gamification被引用 14

一句话总结

本文将自动游戏教程生成作为游戏设计中的一个新型AI问题提出，利用通用视频游戏AI（GVG-AI）框架，从智能体游戏实录中生成基于语法的、文本形式的教程。它引入了一种基于图的规则解释系统，将游戏机制映射为自然语言指令，从而为程序化游戏生成动态、上下文感知的教程。

ABSTRACT

We propose the problem of tutorial generation for games, i.e. to generate tutorials which can teach players to play games, as an AI problem. This problem can be approached in several ways, including generating natural language descriptions of game rules, generating instructive game levels, and generating demonstrations of how to play a game using agents that play in a human-like manner. We further argue that the General Video Game AI framework provides a useful testbed for addressing this problem.

研究动机与目标

• 将自动游戏教程生成作为游戏设计中的一项新型AI问题进行构建。
• 开发一种方法，基于GVG-AI框架中的游戏规则与智能体行为，生成自然语言教程。
• 通过生成说明性、基于示例或体验式教程，支持多样化的学习风格。
• 创建一种可扩展的、基于语法的教程生成系统，可适应程序化游戏。
• 实现自动化的、类人化的教程生成，能够根据游戏复杂度与玩家机制自适应调整。

提出的方法

• 该系统使用基于图的智能体游戏实录解释方法，以建模游戏机制与关键路径（胜负路径）。
• 将游戏元素（角色、动作、控制方式）映射到正式语法，以生成自然语言句子。
• 该语法定义了关于胜负条件、正向/负向动作、机制以及控制绑定的句子结构。
• 根据每个交互图节点所关联的动作与角色，对其进行分类，以选择合适的句子类型（例如控制句、机制句或动作句）。
• 教程引擎根据游戏规则与模拟过程中智能体的行为，动态选择并组合句子。
• 该方法利用现有的GVG-AI游戏描述与基于智能体的游戏过程，自动推断可教学内容。

实验结果

研究问题

• RQ1 如何利用AI自动为程序化游戏生成适应其规则与机制的游戏教程？
• RQ2 生成既准确又具有教学有效性的自然语言教程，需要哪些结构与语言要素？
• RQ3 如何将教程生成集成到通用视频游戏AI框架中，以支持多种游戏类型？
• RQ4 关键路径（胜负路径）在构建最优学习效果的教程内容中起到何种作用？
• RQ5 如何自动编码并生成不同类型的教程——说明性、基于示例或体验式？

主要发现

• 所提出的系统成功将智能体游戏实录映射为游戏机制图，实现了教程的自动生。
• 基于语法的句子生成使系统能够生成上下文相关的指令，如“按方向键移动角色”或“外星人发射外星导弹”。
• 通过根据动作类型对节点进行分类并选择合适的句子模板，该方法支持多种教程类型。
• 该框架实现了无需人工编写的动态教程生成，显著减少了游戏教程的开发时间。
• 该方法在GVG-AI环境中展示了可行性，该环境中的游戏为程序化定义且基于规则。
• 该系统识别出关键的胜利与失败路径，使教程能够突出重点机制与后果。