抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
現在,ビデオゲームの開発におけるバグ検出は,テスタが実際にゲームをプレイすることで行われている.この手法の問題点として,無限とも言えるプレイヤの行動パターンをテスタが全て再現できず,多くのバグが見落とされたまま残ってしまうことが挙げられる.この問題を解決すべく,実際のゲーム開発現場では,ゲームのテストプレイの自動化に向けた取り組みが行われている.これにより,大量のゲームプレイ動画を自動的に収集することが可能になる.しかし,それらの動画からバグを検出するためには,依然として人間の目視によるチェックが必要であり,膨大な時間がかかる.そこで本研究では,ゲームプレイ動画からバグを自動的に検出するための初期的な調査,および実験を行った.本研究で扱うゲームプレイ動画として,ゲームをなるべく早くクリアすることを目的としたプレイ方法であるSpeedrunのプレイ動画を選んだ.Speedrunでは,クリアタイムを短縮するためにバグを多く利用することが期待されるため,バグのデータ収集に適していると考えられる.本研究では,まずSpeedrunで使用されるバグの種類のラベル付けを行い,バグのデータセットを作成した.次に,このデータセットを使用してCNN(Convolutional Neural Network)をベースとした機械学習モデルを構築した.このモデルは,動画中の各フレーム画像がバグを捉えた画像かそうでないかの二値分類を行うモデルである.ラベルを分析した結果,Speedrunで使われるバグは,衝突判定の異常によるバグ,物理演算の異常によるバグ,およびアイテム保有状況の不整合によるバグが含まれることが明らかになった.また,バグの予測実験では,モデルの学習に使用したゲームと同じゲームのバグ予測では最高で97%のPrecisionと,89%のRecallを達成した.しかし,異なるシリーズのゲームのバグ予測ではPrecision,およびRecallともに0%,同一シリーズの異なるゲームのバグ予測ではPrecisionは8.3%,およびRecallは0.7%であった.(著者抄録)
