Intelligence artificielle

Construire des niveaux de Mario avec l'apprentissage automatique – Tommy Thompson – Moyen

Construire des niveaux de Mario avec l'apprentissage automatique - Tommy Thompson - Moyen


Super Mario Makers: Construire des niveaux avec l'apprentissage automatique (Chaîne YouTube sur l'IA et les jeux)

Dix ans se sont écoulés depuis le début de la communauté de chercheurs de Mario AI, mais travailler dans cet espace est toujours aussi passionnant et passionnant qu’il n’a jamais été. Aujourd’hui, je vais examiner diverses recherches utilisant l’apprentissage automatique pour Super mario La génération de niveaux depuis la fin de la compétition en 2012. Je vais examiner les types de niveaux qu’ils génèrent, la manière dont ces algorithmes construisent un niveau Mario et les opportunités qui restent à venir pour ce domaine de recherche. Il est temps de rencontrer les nouveaux Super Mario Makers.

Apprentissage machine et génération procédurale

Avant d’examiner de près les différents projets et systèmes, voyons un peu l’histoire du domaine et un peu d’information sur les changements survenus sur le terrain au cours des dernières années. Le concours Mario AI a introduit plusieurs domaines de recherche impliquant le plombier préféré de tous. Bien que certains des défis définis par la compétition, tels que l’écriture de robots, aient été rapidement surmontés grâce au joueur A * de Robin Baumgarten, le défi de générer des niveaux de procédure dans Mario ne faisait que commencer. Le concours a demandé aux chercheurs de créer non seulement un système inspirant des niveaux Super Mario Bros., mais tentez également de les personnaliser en vous basant sur des données de télémétrie simples concernant l’utilisateur qui jouait au jeu.

Joueur de Mario A * de Robin Baumgarten

Les systèmes qui en ont résulté au cours des deux prochaines années ont été assez diversifiés en termes de fonctionnement et de niveaux ultérieurs. Bien que cet article se concentre sur des travaux plus récents reproduisant la conception de niveaux de Mario, si vous souhaitez en savoir plus sur la recherche plus formative sur le PCG dirigé par les joueurs pour Mario, je vous recommande fortement d’explorer le travail du Dr Noor Shaker. Mais en regardant des recherches plus contemporaines, l'une des plus grandes transitions s'éloigne des niveaux qui adoptent la télémétrie du lecteur, mais cherchent plutôt à imiter les conceptions originales des titres de Mario. Ce qui l’avait empêché jusqu’à présent, c’est que ces projets de recherche antérieurs incorporent tous leurs propres connaissances en matière de conception sur ce qu’il faut faire. Super mario le niveau est réellement.

Le système «Hopper» a été soumis au concours Mario AI 2010 par Glen Takahashi et Gillian Smith. Il a utilisé une approche basée sur des règles pour placer des tuiles, en utilisant des probabilitiers fabriqués à la main pour la largeur des lacunes et la fréquence de l'ennemi.

C’est maintenant un domaine d’étude intéressant: qu'est-ce qui fait du niveau de plate-forme un Super mario niveau? Le fait est qu’il existe certes des aspects de l’esthétique générale qui influencent le processus, mais que la logique et la structure de la présentation des niveaux de Mario, même les plus simples, est plus critique. Si vous donnez à quelqu'un un morceau de papier et un crayon et que vous leur demandez de vous dessiner un Super mario niveau, ils seraient probablement différents à de nombreux égards en raison de la connaissance de la franchise de ces personnes, mais il y aurait sans aucun doute des éléments communs. Il y aurait des blocs de briques, peut-être même des blocs de questions, des pipes, des goombas et des koopa troopas. Il pourrait y avoir une fosse dans laquelle mourir et mourante, ou une cage d'escalier qui se dirigerait vers le drapeau à la fin du niveau.

La conception des niveaux sur papier ou avec des aimants de réfrigérateur repose sur notre compréhension implicite des niveaux de Mario.

Nous avons une compréhension collective de ces éléments essentiels, mais nous manquons souvent de connaissances intimes sur la manière dont ces éléments doivent être liés et sur les relations qui les unissent. Super mario série une franchise toujours amusante et engageante. Heck, Nintendo est tellement confiant dans sa maîtrise de ce concept qu’il a développé non pas une mais deux éditions de Super Mario Maker où ils vous fournissent un outil assez flexible pour créer vos propres niveaux Mario afin de pouvoir jouer sur un appareil Nintendo sans vous soucier réellement de l’impact sur les ventes de la série principale.

Donc, ramener cela à la recherche sur l'IA, Super mario la recherche de génération de niveau a continué à prospérer. Cependant, le plus grand changement de ces dernières années concerne les efforts pour comprendre Super mario conception de niveau. Pour remédier à cela, des recherches plus récentes évitent aux chercheurs d’injecter directement leurs propres interprétations de la conception de niveaux de Mario, étant donné - comme cela a été mentionné - qu’il n’existe aucun ensemble absolu et complet de règles qui dictent la manière dont les niveaux de Mario sont construits. Même avec les outils nécessaires pour le faire Super Mario MakerNous nous efforçons non seulement de reproduire la «méthode Mario», mais nous faisons souvent autre chose - un point sur lequel je reviendrai plus tard. À présent, les recherches les plus récentes sur l’apprentissage automatique ont contourné ce problème en laissant l’étude des algorithmes se mettre à niveau.

Comme nous le verrons dans certains des projets que je vais explorer, le système est alimenté à chaque fois en niveaux Super Mario afin de lui permettre de créer ses propres modèles internes. La manière dont ces données sont alimentées va des représentations symboliques complètes des grilles en mosaïque à la lecture de graphiques de niveau en passant par la lecture de vidéos YouTube. Dans chaque cas, les systèmes déduisent leur propre logique de la manière dont les carreaux doivent être regroupés, des carreaux utilisés dans certains contextes et, dans certains cas, des textures à appliquer à ces carreaux eux-mêmes. Ce processus a permis à ces systèmes de génération récente d’interpréter et de reproduire avec plus de précision les aspects de la conception de niveau Super Mario.

Générer à partir de modèles de conception

Tout d’abord, jetons un coup d’œil sur les travaux du Dr Steve Dahlskog - chargé de cours à l’Université de Malmo en Suède. Le travail de Steve visait à évaluer les jeux Super Mario à l’aide de modèles de conception: identifier les éléments communs de la disposition ou de la structure des niveaux ou des mécanismes des jeux. Son argument étant que, en établissant des règles de construction des éléments de jeu, les systèmes d'IA pourraient adopter cette connaissance comme moyen de prendre des décisions intelligentes sur la manière de créer de nouveaux niveaux ou même de nouveaux jeux. Cette recherche l'a amené à explorer la génération procédurale de niveaux de donjon ainsi que les systèmes d'évaluation de l'expérience des joueurs, mais une grande partie de ses recherches - en particulier dans les premières années de son doctorat - tournaient autour de Super Mario Bros.

Les recherches de Dahlskog débutent en (Dalskog et Togelius, 2012) en identifiant 23 modèles de conception uniques sur 20 niveaux basés sur la terre, à partir du Super Mario Bros. original, en omettant les niveaux sous-marins et les niveaux du château. Ces modèles vont du comportement au niveau micro, tel que les chaînes de goombas ou les espaces vides présentés dans le niveau, au comportement macro où la construction de niveau est plus abstraite, telle que les chemins multiples ou les escaliers construits en utilisant des tuyaux avec des espaces vides.

Un modèle de calcul évolutif simple utilisé dans le cadre de la recherche modèles-objectifs (crédit d'image: (Dahlskog & Togelius, 2013)

En utilisant ces modèles comme moyen d'identifier les propriétés reflétant les niveaux de jeu réels, la seconde phase de la recherche (Dahlskog & Togelius, 2013) a utilisé un calcul évolutif pour construire des niveaux, puis les évaluer en fonction du nombre de motifs trouvés dans chaque exemple. Pour ce faire, divisez les niveaux en 200 tranches verticales, puis examinez la manière dont ces tranches sont connectées les unes aux autres et déterminez quels motifs existent dans les sous-ensembles de ces tranches. La sortie qui en résulte génère des niveaux qui reflètent certains des modèles de conception classiques de Mario, sans toutefois respecter le rythme de ces modèles, ce qui crée un flux plus naturel.

Formulaire de sortie du projet de Dahlskog en 2014 - le générateur à plusieurs niveaux (Dahlskog & Togelius, 2014)

Cela a été suivi en 2014 avec deux projets: l'un qui a reconstruit l'évaluation de niveau pour enregistrer des modèles de niveau micro et méso distincts - a entraîné une plus grande variété de niveau - suivi d'un nouveau processus de génération de niveau - le générateur de niveau multi-niveau - qui a niveaux à différents niveaux d'abstraction: commençant au niveau du motif macro, puis descendant vers le méso et le micro.

N-grammes couramment utilisés dans (Dahlskog, Togelius et Nelson, 2014)

Son dernier corpus de recherches dans cet espace a été publié en 2014 avec l'aide de Mark Nelson - et bien que l'apprentissage ne soit pas un apprentissage automatique, il vaut la peine de le vérifier - étant donné qu'il calcule des sous-séquences continues ou des n-grammes de tranches verticales afin de construire un modèle de Markov du processus de création de niveau. Les modèles de Markov constituent une approche intelligente à cet égard, car ils sont conçus pour prédire les actions ultérieures prises dans un processus de décision basé sur la probabilité de résultats ultérieurs. En utilisant une collection des tranches verticales les plus courantes utilisées dans les niveaux de Mario, comme indiqué à l'écran, le système peut alors analyser un ensemble d'un ou de plusieurs niveaux, créer le modèle de Markov, puis tenter de produire des niveaux qui auront des valeurs n similaires. grammes en son sein. Comme vous pouvez le voir ici, les niveaux résultants semblent non seulement refléter des conceptions spécifiques des niveaux de Mario existants, mais aussi les concaténer d’une manière qui n’était pas prise en compte auparavant.

Niveau d'échantillon du générateur de n-grammes (crédit image: (Dahlskog, Togelius & Nelson, 2014))

Générer de la mémoire

Revenons maintenant aux États-Unis et au travail d’Adam Summerville, qui a terminé son doctorat à l’Université de Santa Cruz en 2018 et est actuellement en train d’écrire comme professeur assistant à la California State Polytechnic University. Adam a effectué diverses recherches amusantes au cours de son passage à l'université, mais il a expérimenté deux approches distinctes de la génération de niveaux Mario à l'aide de l'apprentissage automatique.

First Up est un projet publié dans (Summerville et al, 2015) qui partage certaines similitudes avec le projet final de Dahlskog en ce qu'il utilise également des chaînes de Markov, mais tente une approche différente pour valider le résultat. Un élément des niveaux de n-grammes qui peut poser problème est qu’il n’ya aucune garantie absolue que les niveaux résultants sont lisibles. C’est à la merci de la chaîne de Markov de produire quelque chose qui a du sens. Par conséquent, le document de Summerville adopte une approche de chaîne de Markov similaire, mais les décisions prises par la chaîne de Markov sont validées à l’aide de la méthode de recherche d’arbres de Monte-Carlo, qui vérifie que les décisions prises sont non seulement lisibles, mais aussi adaptées à des paramètres de conception spécifiques.

Le MCMCTS tente de déterminer des combinaisons de tuiles futures valides sur la base des validations de la chaîne de Markov et du SCTM (image de Summerville et al. 2015)

Pour commencer, la chaîne de Markov est générée de la même manière que le travail de Dahlskog en examinant les tranches verticales de chaque niveau, en identifiant les tuiles solides et cassables, les ennemis, les pipes, les pièces de monnaie, les blocs de questions et les power-up cachés. Une fois la chaîne de Markov établie, chaque étape du processus de génération de niveau s'appuie sur l'algorithme du MCTS pour valider la qualité de chaque action possible. Si la chaîne de markov indique qu'il existe trois suivis couramment utilisés pour le slicème vertical actuel, les SCTM les notent de plusieurs manières, le système prenant celui qui est jugé le plus approprié. Les évaluations des SCTM ont de multiples facettes, car elles sont conçues non seulement pour garantir la lisibilité des niveaux résultants, mais reposent également sur des métriques supplémentaires que l’utilisateur peut paramétrer en fonction de ses intérêts personnels. Chaque niveau est d’abord évalué en fonction de l’exhaustivité en prenant A * bot de Baumgarten, mentionné précédemment, et en l’utilisant pour tester le niveau. En plus de faire tester le niveau par le bot, il existe des paramètres indépendants pour l’opportunité de certaines caractéristiques de niveau, telles que le nombre de trous, les ennemis, les pièces et les power-ups ajoutés. Cette modification manuelle permet au concepteur d’avoir plus de contrôle sur les types de niveaux créés, tout en s’appuyant sur les SCTM pour s’assurer que les niveaux résultants ont un sens.

Sortie du bot MCMCTS de Summerville (crédit image: (Summerville et al, 2015))

La deuxième approche de Summerville consistait à utiliser une variante de réseaux de neurones artificiels récurrents connue sous le nom de réseau à court terme ou LSTM. Les réseaux LSTM remontent à la fin des années 90 et sont parfaits pour traiter des séquences de données car ils ont un composant de mémoire dans les données d’entrée, ce qui leur permet non seulement de lire de nouvelles informations, mais également de décider quand mémoriser ou oublier des données de cycles d’entrée précédents. En conséquence, les réseaux LSTM sont souvent utilisés dans les processus de reconnaissance vocale et vidéo, étant donné que ce sont des séquences de données continues.

Comme détaillé dans (Summerville et Matteas, 2016), une deuxième approche consistait à former un LSTM contre 15 niveaux par rapport à l'original. Super Mario Bros. ainsi que 24 niveaux de la version japonaise originale de Super Mario Bros. 2 - souvent appelé dans les marchés occidentaux Super Mario Bros: Les niveaux perdus.Différentes configurations de réseaux ont été expérimentées pour permettre au système de lire et de générer la sortie correspondante, avec la meilleure configuration, connue sous le nom de direction de changement de profondeur de chemin de serpent lors de la génération de niveaux, mais intégrant également des fonctions spéciales. les caractères dans le niveau généré qui reflètent le chemin potentiel qu'un joueur peut emprunter et la colonne actuelle qu'il génère pour le niveau, permettant ainsi au système de comprendre à quelle distance du niveau il travaille.

Image de Summerville & Matteas, 2016

Après avoir formé le réseau à un certain niveau de confiance, il est ensuite chargé de générer de nouveaux niveaux, comme nous pouvons le voir maintenant. Ces niveaux sont évalués en fonction de divers paramètres. Comme le dit Summerville lui-même, ces paramètres ne sont pas destinés à évaluer la crédibilité du niveau issu d'un jeu original de Mario, mais permettent plutôt la création de nouveaux niveaux qui partagent des propriétés similaires mais sont néanmoins nouveaux. L’évaluation ne considère pas seulement si le niveau est complet - une fois encore en utilisant un bot piloté par A * - mais le pourcentage d’espace vide dans le niveau, l’espace négatif du niveau - qui est l’espace vide que le joueur peut réellement atteindre, le nombre. des tuiles intéressantes placées, le nombre de sauts nécessaires pour jouer le niveau de manière optimale, ainsi que des mesures de la linéarité et de la clémence du niveau de jeu.

Exemple de sortie générée par le générateur LSTM (crédit image: Adam Summerville)

Générer de la vidéo

Le troisième axe de recherche à examiner est celui de Matthew Guzdial, qui, au moment de la rédaction de cet article, est sur le point de terminer son doctorat à la Georgia Tech University. L’œuvre de Matthew est sans doute la plus célèbre de celles dont il est question ici, étant donné qu’elle est apparue sur tout le Web. Une des principales raisons à cela est la nouveauté utilisée pour capturer les données au niveau de Mario. Comme nous l’avons déjà vu, chaque chercheur saisit des informations de niveau Mario de différentes manières. Dahlskog a annoté les niveaux avec des motifs de conception, tandis que Summerville a alimenté les données de mosaïque à partir des niveaux. Mais le travail initial de Guzdial visait à capturer non seulement des informations de niveau, mais également une compréhension de la façon dont les joueurs naviguent à ces niveaux en temps réel. Ainsi, il découvre les niveaux de Mario en regardant les gens les jouer sur YouTube!

En quoi le fait de regarder une vidéo YouTube a-t-il pour résultat que l'IA crée des niveaux pour Mario? Comme détaillé dans (Guzdial et Riedl, 2016), le projet adopte OpenCV - une boîte à outils de vision par ordinateur à code source ouvert - qui traite chaque image d'une vidéo playthrough donnée. Le projet vise à atteindre deux éléments distincts: déterminer ce qu’il est possible d’apprendre sur la disposition des niveaux en grattant une séquence vidéo, mais aussi comment représenter les connaissances de conception cachées dans la séquence de jeu afin qu’elles puissent être reproduites à des fins de génération de niveau.

Image de Guzdial & Riedl, 2016

Pour savoir ce qu’il est possible d’organiser par niveaux, il exécute un processus permettant d’identifier et de classer ce que Guzdial appelle «zones à forte interaction» - un segment du niveau dans lequel le joueur passe plus de temps relatif par rapport aux autres. Cela peut faire référence à des zones comportant des puzzles sautants, des pièces flottantes sur la carte ou des blocs de questions et des éléments cachés tels que des bonus. Ces zones d'interaction élevée sont identifiées dans la séquence vidéo, puis analysées pour comprendre comment les images-objets sont placées dans la séquence. Ceci est plus facile à réaliser dans Super Mario Bros. original, car le système ne doit prendre en compte que 102 sprites. Les vidéos sont divisées en sections de niveau distinctes en évaluant les différences de contenu de chaque image. Les zones d'interaction résultantes sont ensuite regroupées de manière à pouvoir être classées efficacement, ce qui donne 21 grappes où les segments vidéo d'une taille allant de 2 à 250 images possèdent des propriétés intéressantes telles que le fait d'être enterrés ou dans la cime des arbres. Afin d’empêcher la mort de Mario - qui provoque un écran noir - d’interrompre ce processus d’analyse, seules les séquences vidéo où les joueurs ne meurent pas sont utilisées.

Un échantillon de niveau généré à partir de données vidéo (crédit image: Matthew Guzdial)

La deuxième phase consiste ensuite à créer un modèle probabiliste basé sur les grappes extraites des données vidéo. Ce modèle code les règles de conception selon lesquelles les nœuds de niveau - (L) dans le diagramme ci-dessus - peuvent être générés de différentes manières en raison des données acquises à partir des clusters en fonction d'un style spécifique. Cela nécessite que les nœuds G et D soient correctement calibrés. Le nœud G du modèle représente toutes les informations géométriques relatives à une forme donnée dans le monde et comprenant un ou plusieurs sprites. L'écorce des arbres dans les segments de la cime des arbres est une forme commune que le système reconnaît et apprend à généraliser à travers une variété de permutations différentes. Mais il y a aussi le nœud D du modèle, qui stocke les informations relationnelles d’un nœud G à tous les autres nœuds G d’une section de niveau donnée. Il s’agit essentiellement de coder les connaissances en conception sur la manière dont les objets sont placés les uns par rapport aux autres. Ainsi, le système a effectivement saisi toutes ces informations vidéo, analysé des formes intéressantes utilisant des sprites spécifiques, puis appris comment ces formes se rapportent les unes aux autres. Ce qui est intéressant, c’est qu’il n’apprend pas à créer un niveau Mario, et le système ne comprend pas vraiment ce que Mario est. Au lieu de cela, il apprend comment les images-objets se positionnent les unes par rapport aux autres dans des segments de séquences vidéo provenant d’un jeu vidéo.

Les sorties générées peuvent reproduire avec précision les segments de niveau et les relations géométriques (crédit image: Matthew Guzdial)

Lorsque le modèle est prêt, il peut générer des segments de niveau en prenant en compte les formes qui apparaissent généralement dans ce segment, qui doivent à leur tour prendre en compte les sprites qu’ils dessineraient à l’écran, mais également leur position à l’écran et leurs relations avec les autres. formes qui apparaissent à l'écran. Les niveaux obtenus sont incroyablement précis pour un système qui n’apprend qu’à partir de séquences vidéo. Ce projet n’était que le début d’une longue série de travaux explorant les années suivantes sur la façon dont les séquences vidéo de jeux peuvent être exploitées, non seulement pour comprendre comment les sprites peuvent être assemblés pour des conceptions de niveau, mais aussi pour savoir comment recréer le comportement réel dans le jeu. comme des collisions, saute physique et notation.

Apprendre de la déception

Dernier point, mais non des moindres, il y a une recherche plus récente du Dr Vanessa Volz: doctorante de l'Université technique de Dortmund et actuellement chercheuse associée à l'Université Queen Mary à Londres.

Les recherches de Volz sont détaillées dans (Volz et al, 2018) qui expliquent comment construire des niveaux à l’aide d’un processus appelé réseaux accusatoires génératifs (GAN). Le GAN est un processus d’apprentissage non supervisé qui a fait ses preuves depuis 2014, mais qui s’appuie sur des recherches existantes sur l’apprentissage contradictoire entre réseaux de neurones datant du début des années 90. Un réseau accusatoire génératif est une technique d'apprentissage en profondeur constituée de deux réseaux de neurones à convolution distincts appelés générateur et discriminateur. Le générateur crée des solutions à un problème donné pendant que le discriminateur évalue leur qualité.

Image de Volz et al. 2018

Pour que cela se produise, le discriminateur apprend à reconnaître un ensemble d'échantillons spécifique d'un jeu de données pendant que le générateur apprend à créer des échantillons qui le tromperont en lui faisant croire que ce qu'il a créé est authentique. Au fil du temps, chaque système devient de mieux en mieux à ses tâches respectives, le discriminateur devenant de mieux en mieux capable de reconnaître les données authentiques, tandis que le générateur réussissait mieux à duper le discriminateur en lui faisant croire que sa sortie était authentique et, en prime, la sortie du générateur s'améliorait en qualité . Cette approche a conduit à des améliorations significatives de l'imagerie factice générée par l'IA et du transfert de style de photographies. L’impact le plus important qu’il a eu sur le jeu jusqu’à présent est sans doute le travail récent de modding de communautés utilisant l’apprentissage automatique pour améliorer les textures jusqu’à la résolution 4K pour des jeux comme Elder Scrolls: Morrowind, DOOM, Metroid Prime et Final Fantasy VII.

Metroid Prime 2 Echoes, fonctionnant avec un mod de texture 4K construit avec GAN.

Mais pour en revenir à Mario, comment Volz et les autres auteurs ainsi que ses co-auteurs ont-ils réussi à obtenir ce titre pour les niveaux de Mario? Pour ce faire, il se décompose en deux phases distinctes: la première partie consiste à former le réseau de générateurs souhaité. Le discriminateur est formé contre un niveau de Super Mario Bros. alimenté par le même corpus utilisé par le travail de Summerville, tandis que le générateur est formé pour commencer à apprendre à duper le discriminateur. Une fois ce processus terminé, le générateur peut créer de nouveaux niveaux qui trompent le discriminateur et permet ainsi le début de la phase 2 de l’apprentissage. La deuxième phase utilise un processus connu sous le nom de stratégie d’évolution de l’adaptation de la matrice de covariance (ou CMA-ES en abrégé) pour former le générateur de manière à ce qu’il puisse construire des niveaux reflétant des propriétés de conception spécifiques telles que le nombre de tuiles au sol et d’ennemis placés. également évalué en fonction de la capacité du robot A * bot du Baumgarten à compléter les niveaux générés et du nombre de sauts nécessaires.

Image de Volz et al. 2018

Cela se traduit ensuite par des niveaux tels que celui-ci, basés sur des extraits générés par le système, mais classés par segments de plus en plus difficiles. Bien qu'il ne soit pas toujours parfait - et nécessite que l'encodage utilisé par le système soit correctement calibré - le véritable avantage de ce système est que les niveaux peuvent être générés très rapidement, au point de générer théoriquement de nouveaux niveaux pour le joueur, ils sont en train d'essayer ceux qui existent! Vous pouvez regarder le générateur de niveau en action via la vidéo ci-dessous. De plus, si vous souhaitez essayer ce générateur vous-même, le code est disponible sur GitHub.

La vidéo de présentation de GECCO 18 pour la recherche de Volz et al.

Le nouveau framework AI Mario

Et curieusement, juste au moment où je mettais la touche finale à cette pièce, une nouvelle version améliorée du framework Mario AI a été rendue publique et prête à être utilisée par une nouvelle génération de chercheurs et de passionnés! Le cadre est construit par Ahmed Khalifa - actuellement doctorant à l’Université de New York - et cherche non seulement à intégrer un grand nombre des fonctionnalités originales de l’original de 2009, mais à ajouter des lecteurs IA intégrés et des générateurs de niveaux, contenant des milliers de niveaux des concours précédents et vise à mieux soutenir la poursuite des recherches dans le futur. Tout cela et c’est aussi utiliser l’art original de Mario! Rendez-vous sur MarioAI.org pour en savoir plus et télécharger la dernière version.

Références et travaux connexes

STEVE DAHLSKOG:

Steve Dahlskog et Julian Togelius (2012): Génération de modèles et de contenu procédural. Actes de l'atelier FDG sur les modèles de conception dans les jeux (DPG).
http://julian.togelius.com/Dahlskog2012Patterns.pdf

Steve Dahlskog et Julian Togelius (2013): Les modèles en tant qu'objectifs pour la génération de niveaux. Actes de l'atelier sur les modèles de conception dans les jeux à la FDG.
http://julian.togelius.com/Dahlskog2013Patterns.pdf

Steve Dahlskog et Julian Togelius (2014): un générateur de niveaux multiniveaux. Actes de la conférence de l'IEEE sur l'intelligence et les jeux informatiques (CIG).
http://julian.togelius.com/Dahlskog2014Multi.pdf

Steve Dahlskog, Julian Togelius et Mark J. Nelson (2014): Niveaux linéaires sur n-grammes. Actes de Academic MindTrek.
http://julian.togelius.com/Dahlskog2014Linear.pdf

Summerville, A.J., Philip, S. et Mateas, M. (2015). MCMCTS PCG 4 SMB: recherche dans l’arbre de Monte Carlo pour guider la génération de niveau de plateforme.
https://pdfs.semanticscholar.org/79f1/edef6f59446144bd348599e6138ee78589ea.pdf

Summerville, A. et Mateas, M. (2016). Super Mario en tant que chaîne: génération de niveau de plateforme via LSTM.
https://arxiv.org/pdf/1603.00930.pdf

Guzdial, M.J., et Riedl, M.O. (2016). Vers une génération de niveau de jeu à partir de vidéos de jeu. CdR, abs / 1602.07721.https: //arxiv.org/ftp/arxiv/papers/1602/1602.07721.pdf

Volz, V., Schrum, J., Liu, J., Lucas, S.M., Smith, A.D., et Risi, S. (2018). Niveaux de Mario en évolution dans l’espace latent d’un réseau d’oppositions génératives convolutionnelles profondes. GECCO.
https://arxiv.org/pdf/1805.00728.pdf

Show More

SupportIvy

SupportIvy.com : Un lieu pour partager le savoir et mieux comprendre le monde. Meilleure plate-forme de support gratuit pour vous, Documentation &Tutoriels par les experts.

Related Articles

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Close
Close