Procedural content generation (PCG)

Procedural content generation (PCG) has been used to
automatically create levels, maps, weapons, background scenery,
and music for computer games [5, 12]. Intelligent generative
methods must be provided with high quality design knowledge to
create compelling content. Often this design knowledge is
provided in the form of hand-coded heuristics [4] or evaluation
functions [12]. Hand-coded heuristics and evaluation functions
provide a PCG system with intuition about what makes a
particular type of content good but also biases the system toward
the particular beliefs of the system designer. Alternatively, design
knowledge can be extracted from the game itself. For example, a
system can parse game level files to extract level design patterns
[4, 10]. However, such approaches make use of hand-authored
information to both parse games’ unique file structures and to
ascribe meaning to the collected structures.
In this work we propose an alternative source of design
knowledge: gameplay videos. Acquiring design knowledge from
gameplay videos has a number of advantages. (1) Gameplay
videos exist within a number of set formats that are largely
interchangeable, meaning that an algorithm does not need to be
rewritten to handle new asset formats. (2) Gameplay videos
include a player’s reaction to game assets, meaning that such
systems can learn not only design information but also its effect
on player experience. (3) With the advent of “Let’s Plays” and
“Long Plays,” in which individuals make video recordings of their
game playthroughs publicly available, a large corpora of
gameplay video data exists for many different games.
We present an approach to acquire game level design knowledge
from gameplay videos of Super Mario Bros. While we focus on
this well understood game for our preliminary exploration, the
technique we present can extend to other two dimensional
platformer games. By applying the technique across a number of
different platformer games, a system can theoretically learn genre
knowledge, which can be beneficial for procedurally creating
novel games of a given genre. Our technique may also extend to
other game genres beyond platformers.
As proof of concept, we focus on learning design knowledge from
Super Mario Bros. in isolation. We focus on two specific aspects
of learning level design knowledge from video data: (1)
determining what to learn about level layout, and (2) a
representation of level design knowledge in a reusable form that
affords generation. To process gameplay videos, we use OpenCV
[9], a freely-available, open source computer vision toolkit, to
process each frame of each video.
For the first problem, determining what to learn, we present a
technique to identify and categorize high interaction areas in a
game level as a means of showcasing the affordance of user
interactions captured in gameplay video. A high interaction area is
a section of a level in which players spend significantly more time
than in other sections. This may be because the area is more
visually interesting, more rewarding (e.g., a lot of coins or power
ups), more challenging (e.g., a jumping puzzle), or requires more
navigation to traverse. We extract sequences of high interaction
from the full video trace and use OpenCV to extract features from
these sequences by parsing the placement of sprites.
For the second problem, representation of design knowledge, we
present a technique for learning generative probabilistic models of
level sections. A generative probabilistic model represents a
section of game level as a set of distributions over sprites, their
positions, and relationships with one another. Frames of video that
cover sections identified as high interaction areas are clustered
together to provide a training set for each graphical probabilistic
model. In addition to representing knowledge about how high
interaction areas are laid out, these models also act like templates,
allowing

ผลลัพธ์ (ไทย) 1:

ขั้นตอนการสร้างเนื้อหา (PCG) มีการใช้สร้างระดับ แผนที่ อาวุธ ฉากหลังและเพลงสำหรับเกมคอมพิวเตอร์ [5, 12] ส่วนแบบอัจฉริยะวิธีต้องมีความรู้ในการออกแบบคุณภาพในการสร้างเนื้อหาที่น่าสนใจ มักเป็นความรู้ออกแบบในแบบของรหัสมือรุก [4] หรือการประเมินฟังก์ชั่น [12] รหัสมือรุกและฟังก์ชั่นการประเมินมีระบบ PCG สัญชาตญาณเกี่ยวกับสิ่งที่ทำให้การประเภทของเนื้อหาดี แต่ยัง biases ระบบต่อความเชื่อเฉพาะของผู้ออกแบบระบบ อีกวิธีหนึ่งคือ ออกแบบความรู้สามารถถูกแยกจากเกมเอง เช่น การระบบสามารถแยกไฟล์เกมระดับการแยกรูปแบบออกแบบระดับ[4, 10] อย่างไรก็ตาม วิธีการดังกล่าวทำให้ใช้มือเขียนข้อมูลของเกมทั้งสองในการแยกวิเคราะห์แฟ้มเฉพาะโครงสร้าง และการascribe ความหมายของโครงสร้างที่เก็บรวบรวมในงานนี้ เรานำเสนอจากการออกแบบความรู้: เล่นเกมวิดีโอ หาความรู้การออกแบบจากวิดีโอการเล่นเกมมีข้อได้เปรียบ (1) เล่นเกมวิดีโอที่มีอยู่ภายในจำนวนของรูปแบบการตั้งค่าที่ส่วนใหญ่ดิจิตอล หมายความ ว่า อัลกอริทึมต้องเป็นถูกเขียนขึ้นเพื่อจัดการรูปแบบของสินทรัพย์ใหม่ (2) วิดีโอเกมรวมถึงปฏิกิริยาของผู้เล่นเกมสินทรัพย์ ความหมายที่ดังกล่าวระบบสามารถเรียนรู้ข้อมูลออกแบบไม่เพียง แต่ยังผลในเครื่องเล่น (3) กับการถือกำเนิดของ "ลองเล่น" และ"เล่นนาน ซึ่งบุคคลที่ทำการบันทึกวิดีโอของพวกเขาเกม playthroughs สาธารณชน กลุ่มเนื้อเยื่อขนาดใหญ่ของข้อมูลวิดีโอเกมหลายเกมที่แตกต่างกันอยู่เรานำเสนอวิธีการการรับรู้การออกแบบระดับเกมจากวิดีโอเกม Super Mario bros ในขณะที่เรามุ่งเน้นนี้ดีเข้าใจเกมของเราสำรวจเบื้องต้น การเทคนิคที่เรานำเสนอสามารถขยายอีกสองมิติเกม platformer โดยการใช้เทคนิคต่าง ๆเกม platformer ต่าง ๆ ระบบทางทฤษฎีสามารถเรียนรู้แนวความรู้ ซึ่งจะเป็นประโยชน์สำหรับ procedurally สร้างเกมใหม่ของประเภทกำหนด เราอาจขยายไปยังประเภทอื่น ๆ เกมเกิน platformersเป็นแนวคิด เรามุ่งเน้นการออกแบบความรู้จากการเรียนรู้Mario bros.สุดในแยก เราเน้นเฉพาะสองด้านการเรียนรู้การออกแบบระดับจากข้อมูลวิดีโอ: (1)กำหนดสิ่งที่จะเรียนรู้เกี่ยวกับเค้าโครงระดับ และ (2) การการแสดงออกแบบระดับความรู้ในการใช้แบบฟอร์มที่แล้วรุ่น การเล่นเกมวิดีโอ เราใช้ OpenCV[9], คอมพิวเตอร์ต้นทางที่พร้อมใช้ งานได้อย่างอิสระ เปิดวิสัยทัศน์เครื่องมือ การกระบวนการแต่ละเฟรมของวิดีโอสำหรับปัญหาแรก การกำหนดสิ่งที่จะเรียนรู้ เรานำเสนอเป็นเทคนิคในการระบุ และการจัดประเภทพื้นที่โต้ตอบสูงในการเกมระดับเป็นการแสดง affordance ของผู้ใช้ตอบ:ภาพในวิดีโอเกม มีพื้นที่ปฏิสัมพันธ์สูงส่วนของระดับที่ผู้เล่นใช้เวลามากมากกว่าในส่วนอื่น ๆ อาจเป็น เพราะพื้นที่มีเพิ่มเติมสายตาที่น่าสนใจ (เช่น จำนวนมากของพลังงานหรือเหรียญรางวัลเพิ่มเติมups), (เช่น กระโดดปริศนา), ท้าทายเพิ่มเติม หรือต้องการมากกว่าทางการดำเนินการ เราแยกลำดับของปฏิสัมพันธ์สูงจากการติดตามวิดีโอเต็มรูปแบบและการใช้ OpenCV การแยกคุณลักษณะจากลำดับเหล่านี้ โดยแยกวิเคราะห์ตำแหน่งของมาริโอสำหรับปัญหาที่สอง การแสดงออกความรู้ เรานำเสนอเทคนิคสำหรับรุ่น probabilistic ส่วนการเรียนรู้ส่วนระดับ แสดง probabilistic แบบส่วนตัวส่วนของชุดของการกระจายผ่านมาริโอ เกมระดับของพวกเขาตำแหน่ง และความสัมพันธ์กับคนอื่น เฟรมของวิดีโอที่ฝาครอบส่วนที่เป็นพื้นที่ปฏิสัมพันธ์สูงมีคลัสเตอร์ร่วมกันเพื่อให้การฝึกอบรมที่ตั้งค่าสำหรับแต่ละกราฟิก probabilisticรุ่น นอกจากแสดงถึงความรู้สูงมีการจัดวางพื้นที่โต้ตอบ รุ่นนี้ยังทำหน้าที่เหมือนแม่แบบช่วยให้

ผลลัพธ์ (ไทย) 2:

ขั้นตอนการสร้างเนื้อหา (PCG) ได้ถูกนำมาใช้เพื่อ
สร้างระดับ, แผนที่, อาวุธ, ฉากพื้นหลังโดยอัตโนมัติ
และเพลงสำหรับการเล่นเกมคอมพิวเตอร์ [5, 12] กำเนิดอัจฉริยะ
วิธีการจะต้องให้กับความรู้การออกแบบที่มีคุณภาพสูงในการ
สร้างเนื้อหาที่น่าสนใจ บ่อยครั้งที่ความรู้การออกแบบนี้จะ
ให้ในรูปแบบของการวิเคราะห์พฤติกรรมมือรหัส [4] หรือการประเมินผล
การทำงาน [12] การวิเคราะห์พฤติกรรมมือรหัสและฟังก์ชั่นการประเมินผล
ให้มีระบบ PCG กับสัญชาตญาณเกี่ยวกับสิ่งที่ทำให้
ประเภทของเนื้อหาที่ดี แต่ยังอคติที่มีต่อระบบ
ความเชื่อในด้านการออกแบบระบบ อีกวิธีหนึ่งคือการออกแบบที่
มีความรู้สามารถสกัดได้จากเกมที่ตัวเอง ยกตัวอย่างเช่น
ระบบสามารถแยกไฟล์เกมระดับเพื่อดึงรูปแบบการออกแบบระดับ
[4, 10] แต่วิธีการดังกล่าวทำให้การใช้งานของมือเขียน
ข้อมูลไปยังทั้งสองแยกเกมโครงสร้างไฟล์ที่ไม่ซ้ำกันและเพื่อ
ถวายความหมายให้กับโครงสร้างที่เก็บรวบรวม.
ในงานนี้เรานำเสนอแหล่งทางเลือกของการออกแบบ
ความรู้: วิดีโอเกมเพลย์ การแสวงหาความรู้การออกแบบจาก
วิดีโอเกมเพลย์ที่มีจำนวนของข้อได้เปรียบ (1) เพลย์
วิดีโออยู่ในจำนวนของรูปแบบชุดว่าส่วนใหญ่จะ
ใช้แทนกันได้หมายความว่าอัลกอริทึมไม่ต้องมีการ
เขียนใหม่ในการจัดการรูปแบบเนื้อหาใหม่ (2) วิดีโอเพลย์
รวมถึงปฏิกิริยาของผู้เล่นที่จะเล่นเกมสินทรัพย์ดังกล่าวหมายความว่า
ระบบสามารถเรียนรู้ไม่ได้เป็นเพียงข้อมูลการออกแบบ แต่ยังส่งผลกระทบ
กับประสบการณ์ของผู้เล่น (3) กับการถือกำเนิดของ "Let 's เล่น" และ
"ลองเล่น" ซึ่งบุคคลที่ทำให้การบันทึกวิดีโอของพวกเขา
playthroughs เกมที่เปิดเผยต่อสาธารณชนเป็นคลังใหญ่ของ
ข้อมูลการเล่นเกมวิดีโอที่มีอยู่สำหรับการเล่นเกมที่แตกต่างกัน.
เรานำเสนอวิธีการที่จะได้รับเกม ความรู้การออกแบบระดับ
จากวิดีโอเกมเพลย์ของซูเปอร์มาริโอบราเธอร์สในขณะที่เรามุ่งเน้นไปที่
เกมนี้เข้าใจกันดีสำหรับการสำรวจเบื้องต้นของเรา
เทคนิคเรานำเสนอสามารถขยายไปยังอีกสองมิติ
เกม platformer โดยการใช้เทคนิคในจำนวนของ
เกม platformer ที่แตกต่างกันของระบบในทางทฤษฎีสามารถเรียนรู้ประเภท
ความรู้ที่สามารถเป็นประโยชน์สำหรับการสร้าง procedurally
เกมนวนิยายประเภทที่กำหนด เทคนิคของเรายังอาจขยายไปยัง
ประเภทเกมอื่น ๆ นอกเหนือจาก platformers.
ในฐานะที่เป็นหลักฐานของแนวคิดเรามุ่งเน้นความรู้การออกแบบการเรียนรู้จาก
ซูเปอร์มาริโอบราเธอร์สในการแยก เราเน้นในสองลักษณะเฉพาะ
ของความรู้การออกแบบระดับการเรียนรู้จากข้อมูลวิดีโอ: (1)
การกำหนดสิ่งที่จะเรียนรู้เกี่ยวกับรูปแบบระดับและ (2)
การเป็นตัวแทนของความรู้การออกแบบระดับในรูปแบบที่นำมาใช้ใหม่ที่
กำบังรุ่น การประมวลผลวิดีโอเกมเพลย์ที่เราใช้ OpenCV
[9] เป็นได้อย่างอิสระที่มีอยู่มาเปิดวิสัยทัศน์คอมพิวเตอร์ชุดเครื่องมือในการ
ดำเนินการในกรอบของแต่ละวิดีโอแต่ละ.
สำหรับปัญหาแรกการกำหนดสิ่งที่จะเรียนรู้เรานำเสนอ
เทคนิคในการระบุและจัดหมวดหมู่สูง พื้นที่การทำงานร่วมกันใน
ระดับของเกมเป็นวิธีการในการจัดแสดง affordance ของผู้ใช้
ปฏิสัมพันธ์บันทึกในวิดีโอเกมเพลย์ พื้นที่ปฏิสัมพันธ์สูงเป็น
ส่วนหนึ่งของระดับที่ผู้เล่นใช้เวลาอย่างมีนัยสำคัญมากขึ้นเป็น
กว่าในส่วนอื่น ๆ ซึ่งอาจเป็นเพราะพื้นที่มีมากขึ้น
สายตาที่น่าสนใจคุ้มค่ามากขึ้น (เช่นจำนวนมากของเหรียญหรือไฟฟ้า
UPS) ที่ท้าทายมากขึ้น (เช่นปริศนากระโดด) หรือต้องมี
ระบบนำทางในการสำรวจ เราสกัดลำดับของการปฏิสัมพันธ์สูง
จากร่องรอยวิดีโอเต็มรูปแบบและใช้ OpenCV จะดึงคุณสมบัติจาก
ลำดับเหล่านี้โดยการแยกตำแหน่งของสไปรท์.
สำหรับปัญหาที่สองเป็นตัวแทนของความรู้การออกแบบเรา
นำเสนอเทคนิคสำหรับการเรียนรู้รูปแบบความน่าจะเป็นเกี่ยวกับการกำเนิดของ
ส่วนระดับ น่าจะเป็นรูปแบบการกำเนิดหมายถึง
ส่วนของระดับของเกมเป็นชุดของการกระจายกว่าสไปรท์, ของพวกเขา
อยู่ในสถานะและความสัมพันธ์กับคนอื่น กรอบของวิดีโอที่
ครอบคลุมส่วนที่ระบุว่าเป็นพื้นที่ที่มีปฏิสัมพันธ์สูงเป็นคลัสเตอร์
ร่วมกันเพื่อให้การฝึกอบรมชุดสำหรับแต่ละน่าจะเป็นกราฟิก
รูปแบบ นอกเหนือจากการเป็นตัวแทนของความรู้เกี่ยวกับวิธีการที่สูง
ปฏิสัมพันธ์พื้นที่มีออกมาวางรูปแบบเหล่านี้ยังทำหน้าที่เหมือนแม่แบบ
ที่ช่วยให้