[论文解读] Toward Game Level Generation from Gameplay Videos

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

Artificial Intelligence in Games参考文献 12被引用 30

一句话总结

本文提出一种方法，通过分析《超级马里奥兄弟》的游戏实况视频，自动学习关卡生成的游戏设计知识。利用角色图案检测与机器学习技术，构建了角色放置的概率模型，从而实现新关卡的生成。该方法在保持可玩性的同时，与原始关卡具有高度的风格相似性，证明了无需显式游戏设计规范即可从视频中挖掘设计知识的可行性。

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.

研究动机与目标

• 从游戏实况视频中自动提取游戏设计知识，且不依赖游戏代码或设计文档。
• 解决在缺乏显式设计规则的环境中获取程序化内容生成知识的挑战。
• 开发一种系统，从人类游戏实况中学习关卡结构模式，并将其应用于生成新且可玩的关卡。
• 评估生成关卡在可玩性与原始关卡风格相似性方面的表现。

提出的方法

• 该方法解析游戏实况视频，检测重复出现的角色图案，如敌人的布局与平台的排列方式。
• 利用计算机视觉技术识别并追踪视频帧中的角色，提取其空间与时间关系。
• 基于检测到的角色图案训练概率模型，学习不同关卡配置的可能性。
• 将设计规则编码为关卡元素的生成分布，从而实现随机化的关卡生成。
• 通过简单的玩家移动模拟与碰撞检测验证生成关卡的可玩性。
• 利用风格相似性与可玩性指标，将生成关卡与原始关卡进行对比评估。

实验结果

研究问题

• RQ1 在无法访问游戏源代码或设计文档的情况下，能否有效从游戏实况视频中提取用于关卡生成的游戏设计知识？
• RQ2 所学习的概率模型在多大程度上能准确再现原始关卡的结构与风格特征？
• RQ3 生成的关卡在多大程度上能保持可玩性，同时保留游戏实况画面中观察到的设计意图？
• RQ4 不同视频分析技术对生成关卡的质量与多样性有何影响？

主要发现

• 系统成功从游戏实况视频中学习了设计模式，包括《超级马里奥兄弟》关卡中常见的敌人与平台布局。
• 通过结构与空间特征对比，生成关卡在风格上与原始关卡高度相似。
• 生成关卡具备可玩性，其在玩家模拟中的成功率与人工设计关卡相当。
• 该方法在多样性与一致性之间取得良好平衡，生成的关卡既新颖又与原始素材保持一致。
• 使用视频数据使设计知识的获取不再需要访问游戏开发相关资料。
• 结果表明，在缺乏正式设计规范的情况下，游戏实况视频可作为训练程序化内容生成系统的可行数据源。