Тема: Генерация динамического контента для коллекционной карточной игры на базе методов машинного обучения

В последние годы интерес к генерации игрового контента на осно­ве существующего посредством методов машинного обучения, а также значимость генерируемых данных в игровой индустрии значительно выросли. С этим связана и популярность этого направления в области научных исследований: постоянно изучаются методы и новые возмож­ности [12], [17], [19] создания высококачественного игрового контента (любая составляющая игры: уровни, музыка, правила, атмосфера, тек­стуры, герои, сюжеты и т.п.) с участием или без участия человека [11].
Автоматическая генерация игрового контента - актуальная задача в области разработки игр [1], [16]. Она не только добавляет играм раз­нообразие, подчеркивает красоту и многогранность дизайна [15], но и значительно ускоряет, облегчает процесс разработки [25]. Таким обра­зом, механизмы генерации контента привлекают большое количество новых игроков, при этом снижая общую стоимость разработки и под­держки игр.
Одной из наиболее популярных областей применения технологий ге­нерации динамического игрового контента являются элекронные кол­лекционные карточные игры, имеющие на сегодняшний день значи­тельную популярность по сравнению с играми других жанров. Решение этой задачи практически значимо, так как карты - основной и главный элемент в таких играх. Разнообразие и количество карт прямо про­порционально успеху, популярности и прибыльности проекта, поэтому карточные стратегии постоянно требуют обновления, добавления но­вых уникальных элементов. В данном контексте автоматическая гене­рация новых карт является полезным и важным инструментом для иг­ровых дизайнеров. Также стоит отметить, что каждая коллекционная карточная игра использует уникальную механику и накладывает ряд ограничений на процесс выбора метода генерации. В этой работе рас­сматривается технология генерации карт в недавно выпущенной кол­лекционной карточной стратегии Mighty Party [27], которая предостав­ляет разнообразный набор механик, взаимодействий и существ. Раз­работанный алгоритм обрабатывает все множество карт и пополняет его уникальными элементами, не нарушающими игровой баланс. Опи­санное решение способно не только генерировать уникальный контент на основе имеющегося, но и реагировать на добавление новых игровых механик.
Купить

В результате исследования была разработана система, включающая в себя глубокую рекуррентную нейронную сеть и набор вспомогатель­ных систем для фильтрации входных и выходных данных. Вспомога­тельные инструменты играют очень важную роль, так как негенерируемый игровой контент (обучающая выборка) имеет недостаточный размер для корректной работы нейронной сети.
Полученная система удовлетворяет всем вышеописанным требова­ниям:
• Корректность генерируемого контента: в ходе предварительно­го анализа входных данных разработана вспомогательная систе­ма, позволяющая оценивать корректность генерируемого контен­та. Данная система полностью исключает вероятность нарушения генерируемым контентом механики и балансом рассматриваемой игры Это в свою очередь позволяет использовать полученную си­стему полностью автоматически, без участия человека;
• Уникальность и разнообразие: также была разработана вспомо­гательная система, позволяющая оценивать различие между эле­ментами генерируемого контента. Настройки данной вспомогатель­ной системы позволяют гибко управлять общей уникальностью генерируемого контента;
• Адаптивность и гибкость: данное требование выполнено благода­ря реализации на основе искусственной нейронной сети, так нейро­сети могут адаптировать свои синаптические веса к изменениям окружающей среды (например, добавление нового элемента иг­ровой механики). Таким образом, при изменении условий данная система может легко переучиваться или “доучиваться”.
Купить