211service.com
AI ģenerē jaunus Doom līmeņus, lai cilvēki varētu spēlēt
Viena no ilgstošākajām un veiksmīgākajām videospēļu franšīzēm ir Doom sērija, kas tika uzsākta 1993. gadā un joprojām ir spēcīga ar vairāk nekā 10 miljoniem pārdotu kopiju. Spēle ir pirmās personas šāvēja spēle, kurā kosmosa jūrnieks cīnās, lai izdzīvotu ar dažādiem dēmoniem un zombijiem.
Spēle ir ievērojama, jo tā radīja 3D grafikas aizsācēju datoriem, kuros darbojas MS-DOS, ieviesa tīkla vairāku spēli un pat ļāva spēlētājiem izveidot savus spēļu līmeņus. Patiešām, liels skaits Doom līmeņu — gan oficiālie, gan spēlētāju izveidotie — tagad ir brīvi pieejami tiešsaistē, veidojot milzīgu studiju un pētniecības korpusu.
Un tas rada interesantu iespēju. Vai ir iespējams izmantot šos datus, lai apmācītu padziļinātas mācīšanās algoritmu, lai izveidotu savus Doom līmeņus, kas cilvēkam šķiet pārliecinoši?
Šodien mēs saņemam atbildi, pateicoties Edoardo Giacomello un kolēģu darbam Politecnico di Milano Itālijā. Šie puiši saka, ka šādā automatizētā veidā patiešām ir iespējams izveidot pārliecinošus Doom līmeņus un ka tehnikai ir ievērojams potenciāls mainīt veidu, kā tiek veidots spēles saturs.
Komandas pieeja ir samērā vienkārša. Tie sākas ar 1000 Doom līmeņiem, kas iegūti no publiski pieejamu spēļu krātuves, kurā ir visi oficiālie līmeņi no Doom un Doom 2, kā arī vairāk nekā 9000 līmeņu, ko izveidojusi spēļu kopiena.
Pēc tam komanda apstrādāja katru līmeni, lai izveidotu attēlu kopu, kas atspoguļo tā svarīgākās iezīmes, piemēram, staigājamo laukumu, sienas, grīdas augstumu, objektus utt. Viņi arī izveidoja vektoru, kas skaitliskā formā tvēra svarīgas līmeņa pazīmes, piemēram, telpu lielumu, platību un perimetru, telpu skaitu utt.
Pēc tam viņi izmantoja padziļinātas mācīšanās paņēmienu, ko sauc par ģeneratīvo pretrunīgo tīklu, lai pētītu datus un uzzinātu, kā ģenerēt jaunus līmeņus.
Rezultāti parāda, cik spēcīga ir šī tehnika. Pēc aptuveni 36 000 atkārtojumiem padziļinātās apmācības tīkli spēja nodrošināt labas kvalitātes līmeni. Mūsu rezultāti liecina, ka ģeneratīvie pretrunīgie tīkli var uztvert DOOM līmeņu iekšējo struktūru un šķiet daudzsološa pieeja līmeņu ģenerēšanai pirmās personas šāvēja spēlēs, saka Džakomello un citi.
Pētnieki ir pārbaudījuši jaunos līmeņus un saka, ka tos ir interesanti izpētīt un spēlēt, izmantojot tipiskas Doom funkcijas, piemēram, šauri tuneļi un lielas telpas. Šeit varat vērot vienu no spēlēšanas līmeņiem.
Protams, līmeņi nav ideāli. Piemēram, padziļinātas apmācības tīkliem ir grūtības iegūt smalkas detaļas, iespējams, trokšņainu datu dēļ, kas neizbēgami tiek ģenerēti ar šāda veida pieeju.
Tomēr pat šāda līmeņa automatizācija varētu būtiski ietekmēt spēļu izstrādātājus. Līmeņiem ir ārkārtīgi liela nozīme, jo īpaši pirmās personas šāvēja un platformas spēlēs, jo tie lielā mērā ietekmē spēlētāja pieredzi, saka Gicomello un co. Taču satura veidošana ir viena no laikietilpīgākajām un dārgākajām izstrādes procesa daļām.
Spēļu veidotāji paļaujas uz cilvēku zināšanām un plašu testēšanu, lai izveidotu labus līmeņus. Un, tā kā tas ir tik dārgi, daudzi no viņiem meklē efektīvus veidus, kā automatizēt procesu vai palīdzēt spēles izstrādātājam.
Varbūt šis tas. Būtisks sasniegums ir atrast veidu, kā vismaz daļēji automatizēt līmeņu izveidi. Tam vajadzētu ļaut dizaineriem pievērsties plašākiem jautājumiem, piemēram, līmeņa veidam, ko viņi vēlas ģenerēt. Cilvēku dizaineri var koncentrēties uz augsta līmeņa funkcijām, apmācību komplektā iekļaujot noteikta veida kartes vai objektus, piemēram, Džakomello un citi.
Dažu pēdējo gadu laikā datorzinātnieki ir parādījuši, kā padziļinātas mācīšanās iekārtas var iemācīties spēlēt videospēles no nulles un pēc tam ātri pārspēt cilvēkus. Tāpēc nav īsti pārsteigums, ka viņi var iemācīties izstrādāt arī kādu spēļu aspektu.
Lielāks jautājums ir par to, cik lielā mērā viņi var palīdzēt radošākā procesā, veidojot varoņu aizmugures stāstu, ģenerējot pārliecinošu sižeta līniju visai spēlei vai izstrādājot oriģinālu spēli. Cilvēki šajā ziņā vēl nav lieki.
Atsauce: arxiv.org/abs/1804.09154 : DOOM līmeņa ģenerēšana, izmantojot ģeneratīvos pretrunīgos tīklus