[논문 리뷰] Toward Game Level Generation from Gameplay Videos

Matthew Guzdial, Mark Riedl|arXiv (Cornell University)|2016. 02. 23.

Artificial Intelligence in Games참고 문헌 12인용 수 30

한 줄 요약

이 논문은 슈퍼 마리오 브라더스의 플레이어 비디오를 분석하여 레벨 생성을 위한 게임 디자인 지식을 자동으로 학습하는 방법을 제안한다. 스프라이트 패턴 검출과 기계 학습을 활용해 스프라이트 배치의 확률적 모델을 구축함으로써 새로운 플레이 가능한 레벨을 생성할 수 있다. 이 방법은 원본 레벨과 높은 스타일적 유사성을 유지하면서도 플레이어블함을 확보하여, 게임 디자인 사양이 명시되어 있지 않은 환경에서도 비디오에서 디자인 지식을 채굴하는 것이 가능하다는 것을 보여준다.

ABSTRACT

Algorithms that generate computer game content require game design knowledge. We present an approach to automatically learn game design knowledge for level design from gameplay videos. We further demonstrate how the acquired design knowledge can be used to generate sections of game levels. Our approach involves parsing video of people playing a game to detect the appearance of patterns of sprites and utilizing machine learning to build a probabilistic model of sprite placement. We show how rich game design information can be automatically parsed from gameplay videos and represented as a set of generative probabilistic models. We use Super Mario Bros. as a proof of concept. We evaluate our approach on a measure of playability and stylistic similarity to the original levels as represented in the gameplay videos.

연구 동기 및 목표

• 게임 소스 코드나 디자인 문서에 접근하지 않고도 플레이어 비디오에서 게임 디자인 지식을 자동으로 추출하는 것.
• 디자인 규칙이 명시되어 있지 않은 환경에서 절차적 콘텐츠 생성 지식을 확보하는 데 도전하는 것.
• 인간의 플레이어 행동에서 레벨 구조 패턴을 학습하고 이를 바탕으로 새로운 플레이 가능한 레벨을 생성하는 시스템을 개발하는 것.
• 생성된 레벨이 원본 레벨과의 플레이어블성과 스타일적 유사성 측면에서 평가되는 것.

제안 방법

• 플레이어 비디오를 분석하여 적, 플랫폼 배치와 같은 반복적인 스프라이트 패턴을 탐지하는 접근 방식.
• 컴퓨터 비전 기법을 사용해 프레임 간 스프라이트를 식별하고 추적함으로써 공간적 및 시간적 관계를 추출하는 것.
• 탐지된 스프라이트 패턴을 기반으로 확률적 모델을 학습시켜 레벨 설계에서 다양한 구성의 가능성 확률을 학습하는 것.
• 모델이 레벨 요소에 대한 생성 분포로 디자인 규칙을 인코딩하여 확률적 레벨 생성을 가능하게 하는 것.
• 플레이어 이동과 충돌 검출의 단순 시뮬레이션을 통해 생성된 레벨의 플레이어블성을 검증하는 것.
• 원본 레벨과의 비교를 통해 스타일적 유사성과 플레이어블성 측도를 활용해 생성된 레벨을 평가하는 것.

실험 결과

연구 질문

• RQ1 게임 소스 코드나 디자인 문서에 접근하지 않고도 플레이어 비디오에서 레벨 생성을 위한 게임 디자인 지식을 효과적으로 추출할 수 있는가?
• RQ2 학습된 확률적 모델이 비디오 데이터로부터 원본 레벨의 구조적 및 스타일적 특성을 얼마나 정확하게 재현할 수 있는가?
• RQ3 생성된 레벨이 플레이어블함을 유지하면서도 플레이어 비디오에서 관찰된 디자인 의도를 어느 정도 반영할 수 있는가?
• RQ4 다양한 비디오 분석 기법이 생성된 레벨의 품질과 다양성에 어떤 영향을 미치는가?

주요 결과

• 시스템은 슈퍼 마리오 브라더스 레벨에서 흔히 볼 수 있는 적과 플랫폼의 배치 패턴을 플레이어 비디오에서 성공적으로 학습하였다.
• 생성된 레벨은 구조적 및 공간적 특징 비교를 통해 원본 레벨과 높은 스타일적 유사성을 보였다.
• 생성된 레벨은 플레이어 시뮬레이션에서 인간이 설계한 레벨과 유사한 성공률을 보이며 플레이어블함을 확보하였다.
• 이 방법은 다양성과 일관성 사이의 균형을 이루었으며, 새로운 레벨이 원본 자료와 조화를 이룬 동시에 독창적이었다.
• 비디오 데이터의 활용은 게임 개발 관련 자료에 접근하지 않아도 디자인 지식 확보가 가능함을 보여주었다.
• 결과적으로 플레이어 비디오가 공식적인 디자인 사양이 없는 환경에서 절차적 콘텐츠 생성 시스템을 훈련시키는 타당한 데이터 소스가 될 수 있음을 시사한다.