Тип работы:
Предмет:
Язык работы:


ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТИ ДЛЯ АВТОГЕНЕРАЦИИ ДИЗАЙНА УРОВНЯ

Работа №30569

Тип работы

Дипломные работы, ВКР

Предмет

информатика

Объем работы51
Год сдачи2018
Стоимость4900 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
146
Не подходит работа?

Узнай цену на написание


ВВЕДЕНИЕ 3
Роль дизайнера уровней 3
Возможности для автоматизации 5
1. ЦЕЛЬ И ЗАДАЧИ 6
2. ИССЛЕДОВАНИЕ 7
2.1 Существующие решения 7
2.1.1 Процедурная генерация 7
2.1.2 Нейронная сеть 13
2.2 Анализ архитектур 16
2.2.1 Рекуррентные нейронные сети 17
2.2.2 Сверточные нейросети 19
2.3 Метод обучения 23
2.3.1 Обучение с учителем 24
2.3.2 Обучение без учителя 25
3. АРХИТЕКТУРА СИСТЕМЫ 29
3.1 База данных изображений 29
3.2 Язык и библиотека 35
4. РЕЗУЛЬТАТЫ 38
ЗАКЛЮЧЕНИЕ 41
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 42
ПРИЛОЖЕНИЕ

Зачастую на плечи дизайнера уровней ложится очень много задач, и
бытует мнение, что такой человек должен быть хорош во многих вещах.
Крупные компании могут позволить себе команду из level-дизайнеров для
работы над одним уровнем или даже отдельного человека для каждой
отдельной части уровня. До того, как уровень приобретет свой финальный
вид, над ним проделывается огромная работа от прорисовки текстур,
выдержанных в едином стиле, регламентированном жанровыми и
сюжетными особенностями, до построения коридоров и размещения
освещения, звуков и врагов. Довольно сложно провести черту там, где
действительно заканчиваются обязанности level-дизайнера. Именно поэтому
их список разнится от компании к компании, а должность «дизайнера
уровней» для двух человек не всегда значит одно и то же. Случается, что
должность level-дизайнера занимает человек, занимающийся только
скриптами, или же компания ожидает, что кандидат станет также и
художником.
«Я считаю, что игровая индустрия была бы более здоровой, если бы
мы могли ввести ответвления профессии и для специфических нужд
нанимать специфичных людей. Level-scripter и level-artist – термины,
которые могли бы широко распространиться» – говорит Max Herngren,
level-designer компании Mojang, в интервью [1] ресурсу «80lvl».
Однако можно выделить фундаментальные навыки и обязанности
level-дизайнера. Немаловажную роль играет способность чувствовать
потребности игрока: понимание того, чем он займется на уровне и куда
отправится для того, чтобы успешно вести его по запланированному
3маршруту. При этом знаний исторической архитектуры может оказаться
недостаточно, потому что, хотя она и базируется на типичном поведении
человека в типичном окружении, его необходимо подстроить под нужды
самой игры, и привести ожидания игрока от игры и ожидания игры от игрока
к консенсусу.
Чувство композиции – второй столп хорошего дизайнера. Если первый
пункт отвечал за техническую сторону вопроса, то этот – за эстетическую,
чувственную. Грамотная композиция рассказывает историю, вызывает
душевный отклик и способствует более глубокому вовлечению игрока в
процесс гарантируя проекту успех. Для коллег же наличие в команде
человека, владеющего навыком составления композиции, означает
отсутствие грязи на уровне в виде ненужных источников света и прочих
деталей.
Третий столп заключается в видении единой концепции, также
играющей на руку повествованию и вовлеченности. Благодаря видению
можно понять, что выглядит хорошо, что может выглядеть лучше. Что
запомнится игроку и останется с ним на долгие годы, повышая
реиграбельность продукта.
Можно назвать еще много полезных навыков для дизайнера уровней,
но обобщенной характеристикой будет то, что это человек, «создающий
мир». Готовый игровой уровень представляет собой гармоничное сочетание
всех аспектов разработки игры: геймплей, архитектура, освещение,
спецэффекты, звук и многое другое; а грамотное их сочетание делает работу
дизайнера уровней довольно трудоемкой и времязатратной, и недооценивать
ее важность не стоит.

Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!


Подводя итоги проведенной работы, стоит отметить, что
использование ГСН оправдывает свою популярность. Для улучшения
результатов в дальнейшем могут быть проведены эксперименты по
модернизации архитектуры нейронной сети. На данный момент
просматривается возможность адаптации результатов работы системы для
автоматической сборки уровня в качестве карт высот в более узкой среде
одного из игровых движков.
Оценивая результаты работы, можно сделать вывод, что использование
нейросети также имеет свои недостатки относительно ручного создания и
процедурной генерации с помощью алгоритмов. В целях достижения
“нарративности” неоспоримое преимущество у ручного создания, однако
когда важны именно скорость и разнообразие, лучше себя показывают
вторые два подхода. При этом использование готовой нейросети
времязатратно только во время обучения, далее возможно использовать
данные весов уже обученной модели. Еще одним преимуществом над
процедурной генерацией становится отсутствие необходимости составления
алгоритма и написания какого-либо кода для конкретного языка/игрового
движка, используемого в разработке.



80lvl Who are level designers? [Электронный ресурс] – 2017. – режим
доступа: Url: https://80.lv/articles/who-are-level-designers
2. А.Р. Хафизов, В.С. Баранов, А.C. Сергеев, В.В. Кугуракова, А.Г.
Ситдиков Археологические объекты болгарского городища X–XV вв.,
как материал для создания виртуальной культурно-исторической
реконструкции // Электронные библиотеки. – 2015. - T.18. - № 5 - С.
269 - 282.
3. University of Amsterdam Faculty of Science [Электронный ресурс] –
2016. – режим доступа: Url:
https://esc.fnwi.uva.nl/thesis/centraal/files/f1727262514.pdf
4. Top Trends in the Gartner Hype Cycle for Emerging Technologies
[Электронный ресурс] – 2017. – режим доступа: Url:
https://www.gartner.com/smarterwithgartner/top-trends-in-the-gartner-hypecycle-for-emerging-technologies-2017/
5. Fjodor van Veen The neural network zoo [Электронный ресурс] – 2016. –
режим доступа: Url: http://www.asimovinstitute.org/neural-network-zoo
6. LeCun, Yann, et al. Gradient-based learning applied to document
recognition [Электронный ресурс] – 1998. – режим доступа: Url:
http://yann.lecun.com/exdb/publis/pdf/lecun-98.pdf
7. Honglak Lee, Roger Grosse, Rajesh Ranganath, and Andrew Y. Ng.
Unsupervised Learning of Hierarchical Representations with Convolutional
Deep Belief Networks [Электронный ресурс] – 2011. – режим доступа:
Url:
https://web.eecs.umich.edu/~honglak/icml09-ConvolutionalDeepBeliefNetw
orks.pdf
428. Солдатова О. П. Гаршин А. А. Применение сверточных нейронных
сетей в распознавании рукописных цифр // Компьютерная оптика. –
2010. - Т. 34 - №2 - С.252-259
9. Н. С. Дикий Применение сверточных нейронных сетей в распознавании
образов на изображениях [Электронный ресурс] – режим доступа: Url:
http://www.lib.tpu.ru/fulltext/c/2010/C01/V2/128.pdf
10.Goodfellow, Ian, et al. Generative adversarial nets Advances in Neural
Information Processing Systems. [Электронный ресурс] – 2014. – режим
доступа: Url: https://arxiv.org/pdf/1406.2661v1.pdf
11.Leon A. Gatys, Alexander S. Ecker, Matthias Bethge A Neural Algorithm of
Artistic Style [Электронный ресурс] – 2015.- режим доступа: Url:
https://arxiv.org/pdf/1508.06576v1.pdf
12. Xudong Mao, Qing Li, Haoran Xie, Raymond Y.K. Lau, Zhen Wang,
Stephen Paul Smolley Least Squares Generative Adversarial Networks
[Электронный ресурс] – 2017.–режим доступа: Url:
https://arxiv.org/pdf/1707.03383.pdf
13. Alec Radford, Luke Metz, Soumith Chintala Unsupervised Representation
Learning with Deep Convolutional Generative Adversarial Networks
[Электронный ресурс] – 2016–режим доступа: Url:
https://arxiv.org/pdf/1707.03383.pdf

Работу высылаем на протяжении 30 минут после оплаты.




©2025 Cервис помощи студентам в выполнении работ