文献

J-GLOBAL ID：202002280027974378   整理番号：20A2444674

知的試行錯誤による少数試験における正しい困難性によるゲームレベルの発見【JST・京大機械翻訳】

Finding Game Levels with the Right Difficulty in a Few Trials through Intelligent Trial-and-Error

著者 (4件)： Gonzalez-Duque Miguel (IT University of Copenhagen,Copenhagen,Denmark) ,  Palm Rasmus Berg (IT University of Copenhagen,Copenhagen,Denmark) ,  Ha David (Google Brain,Tokyo,Japan) ,  Risi Sebastian (IT University of Copenhagen,Copenhagen,Denmark)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： CoG  ページ： 503-510  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 動的困難調整の方法は,ゲームがそれらの関与を最大化するために特定のプレーヤーに仕立てることを可能にする。しかし,現在の方法は,敵対者の困難さや資源の利用可能性のような限られたゲーム特徴集合をしばしば修正するだけである。経験駆動型コンテンツ生成(PCG)のような他のアプローチは,あまりにも困難で,あまりにも容易でないレベルのような望ましい特性で完全なレベルを生成することができるが,多くの反復を必要とする。本論文では,いくつかの試行において,特定の目標の困難さで,完全なレベルを生成し,探索できる方法を示した。この進歩は,ロボットが素早く適応できるように開発されたインテリジェント試行錯誤アルゴリズムを通して可能になる。提案アルゴリズムは,まず,レニレンシーやマップカバレージのようなあらかじめ定義された次元で変化する様々なレベルの様々なレベルを生成する。これらのマップ上のAIプレイエージェントの性能は,レベルがどのように他のAIエージェント(例えば,Greedyツリー探索の代わりにモンテカルロツリー探索を採用するもの)に対して,レベルがどのように難しいかのプロキシを与える。この情報を用いて,Bayes最適化手順を展開し,エージェントの能力を反映する事前マップの困難さを更新した。この手法は,それらのスキル景観の理解を維持しながら,いくつかの試行において,様々な計画エージェントに対する特定のターゲット困難性を有するレベルを確実に見つけることができる。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： モンテカルロ法 ,  アルゴリズム ,  最適化 ,  *ゲーム ,  ロボット ,  木探索 ,  エージェント ,  コンテンツ
準シソーラス用語： 敵対者 ,  プロキシ ,  プレイヤ , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 試験 ,  困難性 ,  ゲーム ,  発見