[論文レビュー] The VGLC: The Video Game Level Corpus

Adam Summerville, Sam Snodgrass+2 more|arXiv (Cornell University)|Jun 23, 2016

Artificial Intelligence in Games参考文献 16被引用数 85

ひとこと要約

VGLC（ビデオゲームレベルコーパス）は、プロシージャルに生成されたビデオゲームのレベルを構造的で機械可読な形式で提供する公開データセットであり、プロシージャルコンテンツ生成（PCG）およびゲームAIのための機械学習研究を支援することを目的としています。このデータセットは、クラシックゲームから得た多様でアノテート済みの2次元プラットフォーマーのレベルを提供することで、レベルデザインのパターンを学習し、望ましい特性を持つ新しいレベルを生成するモデルの訓練を可能にします。

ABSTRACT

Levels are a key component of many different video games, and a large body of work has been produced on how to procedurally generate game levels. Recently, Machine Learning techniques have been applied to video game level generation towards the purpose of automatically generating levels that have the properties of the training corpus. Towards that end we have made available a corpora of video game levels in an easy to parse format ideal for different machine learning and other game AI research purposes.

研究の動機と目的

• 機械学習モデルによるビデオゲームのレベルデザインの訓練のための標準的でアクセス可能なデータセットが不足している問題に対処すること。
• 多数の多様なゲームレベルを提供することで、プロシージャルコンテンツ生成（PCG）分野の研究を支援すること。
• 実世界の例から、望ましいレベルデザインの特性を学び、再現できるように機械学習技術を活用すること。
• 一貫性があり、詳細に文書化されたデータセットを提供することで、ゲームAI分野における再現可能な研究を促進すること。
• 新しいプレイ可能なレベルを生成し、スタイル的に一貫性を持つAIシステムの開発を支援すること。

提案手法

• クラシックなビデオゲーム、特に『スーパーマリオブラザーズ』やその他の有名タイトルから2次元プラットフォーマーのレベルを収集する。
• タイル（プラットフォーム、敵、パワーインクリメントなど）を用いた記号的レベルエンコーディングを用いて、レベルを構造的でグリッドベースの形式に変換する。
• 機械可読形式（例：JSON やテキストベースのグリッド）で各レベルを保存し、MLパイプラインへの容易なパースと統合を可能にする。
• ゲームタイトル、レベルID、難易度などのメタデータを含め、制御された実験を可能にする。
• 異なるゲームやレベルにおけるデザイン、メカニクス、複雑さの多様性を確保するようにコーパスをキュレートする。
• AIおよびゲーム開発研究分野における再利用と再現可能性を促進するため、オープンライセンスでデータセットをリリースする。

実験結果

リサーチクエスチョン

• RQ1 標準的でアクセス可能なビデオゲームレベルデータセットが、プロシージャルコンテンツ生成研究における再現性とスケーラビリティを向上させることができるか？
• RQ2 VGLCで訓練された機械学習モデルが、学習データのデザイン特性をどれほど正確に再現できるか？
• RQ3 VGLCは、特定のゲームプレイ特性を持つレベルレイアウトを理解し生成できるAIエージェントの開発をどの程度支援できるか？
• RQ4 VGLCは、異なるゲームジャンルやデザインスタイルに一般化できるモデルの訓練に使用可能か？
• RQ5 レベル生成に信頼性を持って抽出・利用できる、主な構造的および意味的特徴は何か？

主な発見

• VGLCは、解析可能な形式で構造化された標準的でオープンアクセスのデータセットを提供しており、研究の間で一貫した評価が可能である。
• 複数のゲームからのレベルが含まれており、デザイン、メカニクス、難易度の多様性を備えており、強固なモデル訓練を可能にする。
• 構造化された表現により、特徴抽出が効率的に行え、レベル生成のための機械学習パイプラインへの統合が容易になる。
• コーパスにより、プラットフォーミングの挑戦や敵の配置といったレベルデザインパターンを学び、再現するモデルの訓練が可能になる。
• VGLCの利用可能性により、データ取得の障壁が低下し、プロシージャルコンテンツ生成およびゲームAI分野における研究進展が加速すると予想される。
• このデータセットは、その後の研究でも採用されており、PCGおよびゲームAIコミュニティにおける実用性と再利用可能性を実証している。