[论文解读] Exploring Level Blending across Platformers via Paths and Affordances

Anurag Sarkar, Adam Summerville+3 more|arXiv (Cornell University)|Aug 22, 2020

Artificial Intelligence in Games被引用 6

一句话总结

本文提出了一种新颖的PCGML方法，通过统一的可及性与路径表示，融合六款横版动作游戏，使变分自编码器（VAEs）能够在不同领域间生成新颖且可通行的关卡。GRU-VAE变体在生成连贯、低失败率路径方面优于线性VAE，展示了在跨不同横版动作游戏机制的混合关卡生成中，更高的泛化能力与结构一致性。

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.

研究动机与目标

• 通过在多个横版动作游戏之间实现跨领域混合，将PCGML从单一领域生成扩展至多领域生成。
• 开发一种统一的可及性与路径词汇表，以实现对多样化横版动作游戏机制的结构与游戏玩法感知的表示。
• 评估循环神经网络（GRU-VAE）与全连接网络（线性VAE）架构在生成连贯、可通行的混合关卡方面的有效性。
• 研究A*搜索代理生成的路径信息如何提升生成关卡的质量与连通性。
• 探索从混合关卡数据中学习通用物理模型的潜力，以用于未来的游戏AI与程序化内容生成。

提出的方法

• 作者基于方块属性（如soli、wall、ladder）和与游戏玩法相关的特征（如跳跃弧线、敌人生成点）定义了一套统一的可及性词汇表，以标准化六款NES横版动作游戏的表示方式。
• 通过受领域特定跳跃物理引导的A*代理生成路径数据，将游戏可行性与连通性编码至训练数据中。
• 在统一的、附带路径标注的关卡数据上训练变分自编码器（VAE），采用两种架构：一种使用全连接层，另一种使用GRU层以实现序列建模。
• 通过路径生成对模型进行评估：采样关卡并测量代理的成功率（失败率）以及与真实关卡分布的Fréchet距离。
• 利用潜在空间对游戏对进行插值，并通过定性分析评估混合关卡的连贯性与结构合理性。
• 该方法实现了零样本生成新颖关卡，融合多个源游戏的结构与机制特征。

实验结果

研究问题

• RQ1 统一的可及性与基于路径的表示是否能有效编码六款不同横版动作游戏之间的结构与游戏玩法多样性？
• RQ2 在多领域PCGML设置中，整合A*生成的游戏路径在多大程度上提升了生成关卡的质量与连通性？
• RQ3 GRU-VAE架构是否在跨多个横版动作游戏领域生成连贯、可通行的关卡混合方面优于全连接VAE？
• RQ4 混合VAE模型的潜在空间在多大程度上能有意义地在不同横版动作游戏机制与关卡设计之间进行插值？
• RQ5 所提出的方法能否生成新颖、可玩的关卡设计，而非任何源游戏的直接复刻，而是多个领域的综合体现？

主要发现

• GRU-VAE模型（GRU-32）在五款游戏中的三款实现了最低的代理失败率与最低的Fréchet距离，表明其在生成质量与分布相似性方面表现更优。
• 线性VAE模型（LIN-128）在所有线性架构中表现最佳，在五款游戏中的两款实现了最低失败率与最低Fréchet距离。
• GRU-VAE生成的路径比线性模型更连贯、更连续，后者则产生更嘈杂、连接性更差的路径模式。
• GRU-VAE的插值显示出有意义的结构过渡——例如SMB → MM从可破坏方块演变为开放空间，CV → MM则从开放区域过渡到类似洞穴的走廊。
• 涉及超级马里奥兄弟（Super Mario Bros.）的混合关卡Fréchet距离较高，可能因其复杂的关卡设计与多变的物理机制。
• GRU-VAE生成的插值比线性模型更少噪声、结构更合理，尽管有时插值特征不那么明显，表明其具备更优的长距离连贯性。