211service.com
Umělá inteligence generuje nové úrovně Doom, které mohou lidé hrát
Jednou z nejdéle trvajících a nejúspěšnějších franšíz videoher je série Doom, která byla zahájena v roce 1993 a je stále silná s více než 10 miliony prodaných kopií. Hra je střílečkou z pohledu první osoby, ve které vesmírný mariňák bojuje o přežití proti různým démonům a zombie.
Hra je pozoruhodná tím, že byla průkopníkem 3D grafiky pro PC se systémem MS-DOS, představila multiplayer v síti a dokonce umožnila hráčům vytvářet vlastní herní úrovně. Skutečně, velké množství úrovní Doom – jak oficiálních, tak vytvořených hráčem – je nyní volně dostupné online, což tvoří impozantní korpus pro studium a výzkum.
A to přináší zajímavou možnost. Je možné použít tato data k trénování algoritmu hlubokého učení k vytvoření vlastních úrovní zkázy, které by člověk považoval za přesvědčivé?
Dnes dostáváme odpověď díky práci Edoarda Giacomella a kolegů na Politecnico di Milano v Itálii. Tito lidé říkají, že je skutečně možné vytvořit působivé úrovně Doom tímto automatizovaným způsobem a že tato technika má významný potenciál změnit způsob, jakým je vytvářen obsah hry.
Přístup týmu je poměrně přímočarý. Začínají 1 000 úrovněmi Doom převzatými z úložiště veřejně dostupných her, které zahrnuje všechny oficiální úrovně z Doom a Doom 2 a také více než 9 000 úrovní vytvořených herní komunitou.
Tým poté zpracoval každou úroveň, aby vygeneroval sadu obrázků, které reprezentují její nejdůležitější vlastnosti, jako je pochozí plocha, stěny, výška podlahy, předměty a tak dále. Vytvořili také vektor, který zachycoval důležité rysy úrovně v číselné podobě, jako je velikost, plocha a obvod místností, počet místností a tak dále.
Poté použili techniku hlubokého učení zvanou generativní adversariální síť ke studiu dat a naučili se, jak generovat nové úrovně.
Výsledky ukazují, jak mocná tato technika je. Po přibližně 36 000 iteracích byly sítě pro hluboké učení schopny produkovat úrovně dobré kvality. Naše výsledky ukazují, že generativní nepřátelské sítě mohou zachytit vnitřní strukturu úrovní DOOM a zdá se, že jsou slibným přístupem ke generování úrovní ve střílečkách z pohledu první osoby, říkají Giacomello a spol.
Výzkumníci otestovali nové úrovně a říkají, že jsou zajímavé pro zkoumání a hraní, s typickými rysy Doom, jako jsou úzké tunely a velké místnosti. Zde můžete sledovat jednu z hraných úrovní.
Úrovně samozřejmě nejsou dokonalé. Například sítě pro hluboké učení se potýkají s produkcí jemných detailů, pravděpodobně kvůli zašuměným datům, která jsou nevyhnutelně generována tímto druhem přístupu.
Nicméně i tato úroveň automatizace by mohla mít významné důsledky pro herní designéry. Úrovně jsou nanejvýš důležité, zvláště ve střílečkách a plošinovkách z pohledu první osoby, protože výrazně ovlivňují zážitek hráče, říká Gicomello a spol. Ale tvorba obsahu je jednou z časově nejnáročnějších a nejdražších částí vývojového procesu.
Tvůrci her se při vytváření dobrých úrovní spoléhají na lidské znalosti a rozsáhlé testování. A protože je to tak drahé, mnoho z nich hledá efektivní způsoby, jak automatizovat proces nebo pomoci hernímu návrháři.
Možná tohle. Najít způsob, jak zautomatizovat vytváření úrovní, alespoň částečně, je významný úspěch. Mělo by to umožnit lidským návrhářům soustředit se na problémy většího obrazu, jako je typ úrovně, kterou chtějí generovat. Lidští designéři se mohou zaměřit na funkce na vysoké úrovni tím, že do tréninkové sady zahrnou konkrétní typy map nebo prvků, říkají Giacomello a spol.
V posledních několika letech počítačoví vědci ukázali, jak se stroje s hlubokým učením mohou naučit hrát videohry od nuly a poté rychle překonat lidské hráče. Není tedy žádným překvapením, že se mohou naučit navrhovat také některé aspekty her.
Větší otázkou je, do jaké míry mohou někdy pomoci s kreativnějším procesem vytváření příběhu pro postavy, vytváření působivé příběhové linie pro celou hru nebo vývoje originální hry. Lidé v tomto ohledu ještě nejsou nadbyteční.
Ref: arxiv.org/abs/1804.09154 : Generování úrovně DOOM pomocí generativních nepřátelských sítí