211service.com
AI genererer nye Doom-niveauer for mennesker at spille
En af de længstvarende og mest succesrige videospil-franchises er Doom-serien, der blev lanceret i 1993, og som stadig går stærkt med over 10 millioner solgte eksemplarer. Spillet er et førstepersonsskydespil, hvor en rumfartøjer kæmper for at overleve mod forskellige dæmoner og zombier.
Spillet er bemærkelsesværdigt, fordi det var banebrydende for 3D-grafik til pc'er, der kører MS-DOS, introducerede netværksbaseret multiplay, og endda tillod spillere at skabe deres egne spilniveauer. Faktisk er et stort antal Doom-niveauer – både officielle og spillerskabte – nu frit tilgængelige online og danner et formidabelt korpus til studier og forskning.
Og det giver en interessant mulighed. Er det muligt at bruge disse data til at træne en dyb-læringsalgoritme til at skabe sine egne niveauer af Doom, som et menneske ville finde overbevisende?
I dag får vi et svar takket være arbejdet fra Edoardo Giacomello og kolleger på Politecnico di Milano i Italien. Disse fyre siger, at det faktisk er muligt at skabe overbevisende Doom-niveauer på denne automatiserede måde, og at teknikken har et betydeligt potentiale til at ændre den måde, spilindhold skabes på.
Holdets tilgang er relativt ligetil. De begynder med 1.000 Doom-niveauer taget fra et lager af offentligt tilgængelige spil, som inkluderer alle de officielle niveauer fra Doom og Doom 2 samt mere end 9.000 niveauer skabt af spilfællesskabet.
Holdet behandlede derefter hvert niveau for at generere et sæt billeder, der repræsenterer dets vigtigste funktioner, såsom det gangbare område, vægge, gulvhøjde, objekter og så videre. De skabte også en vektor, der fangede vigtige træk ved niveauet i numerisk form, såsom størrelse, areal og omkreds af værelser, antallet af rum og så videre.
Derefter brugte de en dyb læringsteknik kaldet et generativt modstridende netværk til at studere dataene og lære, hvordan man genererer nye niveauer.
Resultaterne viser, hvor kraftfuld denne teknik er. Efter omkring 36.000 iterationer var deep-learning netværkene i stand til at producere niveauer af god kvalitet. Vores resultater viser, at generative kontradiktoriske netværk kan fange den iboende struktur af DOOM-niveauer og ser ud til at være en lovende tilgang til niveaugenerering i førstepersons skydespil, siger Giacomello og co.
Forskerne har testet de nye baner og siger, at de er interessante at udforske og lege med, med typiske Doom-funktioner som smalle tunneller og store rum. Du kan se et af banerne, der spilles her.
Naturligvis er niveauerne ikke perfekte. For eksempel kæmper deep-learning netværk med at producere fine detaljer, sandsynligvis på grund af støjende data, der uundgåeligt genereres med denne form for tilgang.
Ikke desto mindre kan selv dette niveau af automatisering have betydelige konsekvenser for spildesignere. Niveauer er af afgørende betydning, især i first person shooter og platformspil, da de i høj grad påvirker spilleroplevelsen, siger Gicomello og co. Men skabelse af indhold er en af de mest tidskrævende og dyre dele af udviklingsprocessen.
Spilproducenter er afhængige af menneskelig ekspertise og omfattende test for at skabe gode niveauer. Og fordi dette er så dyrt, leder mange af dem efter effektive måder at automatisere processen på eller hjælpe spildesigneren.
Måske det her. At finde en måde at automatisere niveauoprettelse, i det mindste delvist, er en betydelig præstation. Det bør frigøre menneskelige designere til at fokusere på større billeder, såsom den type niveau, de ønsker at generere. Menneskelige designere kan fokusere på funktioner på højt niveau ved at inkludere specifikke typer kort eller funktioner i træningssættet, siger Giacomello og co.
I de sidste par år har dataloger vist, hvordan deep learning-maskiner kan lære at spille videospil fra bunden og derefter hurtigt overgå menneskelige spillere. Så det er egentlig ikke en overraskelse, at de også kan lære at designe nogle aspekter af spillene.
Det større spørgsmål er, i hvilket omfang de nogensinde kan hjælpe med den mere kreative proces med at skabe en baghistorie til karakterer, skabe en overbevisende historielinje for et helt spil eller udvikle originalt spil. Mennesker er ikke overflødige i denne henseende endnu.
Ref: arxiv.org/abs/1804.09154 : DOOM Level Generation ved hjælp af Generative Adversarial Networks