211service.com
AI genererar nya Doom-nivåer för människor att spela
En av de längsta och mest framgångsrika videospelsserierna är Doom-serien, som lanserades 1993 och som fortfarande går starkt med över 10 miljoner sålda exemplar. Spelet är ett first-person shooter där en rymdmarin kämpar för att överleva mot olika demoner och zombies.
Spelet är anmärkningsvärt eftersom det var banbrytande för 3D-grafik för PC-datorer som kör MS-DOS, introducerade nätverksansluten multiplay och till och med tillät spelare att skapa sina egna spelnivåer. Faktum är att ett stort antal Doom-nivåer – både officiella och skapade av spelarna – är nu fritt tillgängliga online, och bildar en formidabel samling för studier och forskning.
Och det väcker en intressant möjlighet. Är det möjligt att använda dessa data för att träna en djupinlärningsalgoritm för att skapa sina egna nivåer av Doom som en människa skulle tycka är övertygande?
Idag får vi svar tack vare Edoardo Giacomellos och kollegors arbete på Politecnico di Milano i Italien. Dessa killar säger att det verkligen är möjligt att skapa övertygande Doom-nivåer på detta automatiserade sätt, och att tekniken har betydande potential att förändra hur spelinnehåll skapas.
Teamets tillvägagångssätt är relativt okomplicerat. De börjar med 1 000 Doom-nivåer hämtade från ett förråd av allmänt tillgängliga spel, som inkluderar alla officiella nivåer från Doom och Doom 2 samt mer än 9 000 nivåer skapade av spelgemenskapen.
Teamet bearbetade sedan varje nivå för att generera en uppsättning bilder som representerar dess viktigaste egenskaper, såsom det gångbara området, väggar, golvhöjd, föremål och så vidare. De skapade också en vektor som fångade viktiga egenskaper hos nivån i numerisk form, såsom storleken, arean och omkretsen av rum, antalet rum och så vidare.
Sedan använde de en djupinlärningsteknik som kallas ett generativt motståndsnätverk för att studera data och lära sig hur man genererar nya nivåer.
Resultaten visar hur kraftfull denna teknik är. Efter cirka 36 000 iterationer kunde djupinlärningsnätverken producera nivåer av god kvalitet. Våra resultat visar att generativa motståndsnätverk kan fånga den inneboende strukturen hos DOOM-nivåer och verkar vara ett lovande sätt att generera nivåer i förstapersonsskjutspel, säger Giacomello och co.
Forskarna har testat de nya nivåerna och säger att de är intressanta att utforska och spela, med typiska Doom-funktioner som smala tunnlar och stora rum. Du kan se en av nivåerna som spelas här.
Naturligtvis är nivåerna inte perfekta. Till exempel kämpar djupinlärningsnätverk för att producera fina detaljer, förmodligen på grund av brusig data som oundvikligen genereras med denna typ av tillvägagångssätt.
Ändå kan även denna nivå av automatisering få betydande konsekvenser för speldesigner. Nivåer är av största vikt, särskilt i förstapersonsskjutar- och plattformsspel, eftersom de i hög grad påverkar spelarupplevelsen, säger Gicomello och co. Men att skapa innehåll är en av de mest tidskrävande och dyra delarna av utvecklingsprocessen.
Speltillverkare förlitar sig på mänsklig expertis och omfattande tester för att skapa bra nivåer. Och eftersom detta är så dyrt, letar många av dem efter effektiva sätt att automatisera processen eller hjälpa speldesignern.
Kanske det här. Att hitta ett sätt att automatisera skapandet av nivåer, åtminstone delvis, är en betydande prestation. Det borde frigöra mänskliga designers att fokusera på problem med större bilder, till exempel vilken typ av nivå de vill generera. Mänskliga designers kan fokusera på funktioner på hög nivå genom att inkludera specifika typer av kartor eller funktioner i träningsuppsättningen, säger Giacomello och co.
Under de senaste åren har datavetare visat hur djupinlärningsmaskiner kan lära sig att spela videospel från grunden och sedan snabbt överträffa mänskliga spelare. Så det är egentligen inte en överraskning att de kan lära sig att designa någon aspekt av spelen också.
Den större frågan är i vilken utsträckning de någonsin kan hjälpa till med den mer kreativa processen att skapa en bakgrundsberättelse för karaktärer, skapa en övertygande berättelse för ett helt spel eller utveckla originalspel. Människor är inte överflödiga i detta avseende ännu.
Ref: arxiv.org/abs/1804.09154 : DOOM-nivågenerering med hjälp av generativa kontradiktoriska nätverk