211service.com
Die KI generiert neue Doom-Level, die von Menschen gespielt werden können
Eine der langlebigsten und erfolgreichsten Videospiel-Franchises ist die Doom-Serie, die 1993 auf den Markt kam und mit über 10 Millionen verkauften Exemplaren immer noch erfolgreich ist. Das Spiel ist ein Ego-Shooter, in dem ein Space Marine gegen verschiedene Dämonen und Zombies ums Überleben kämpft.
Das Spiel ist bemerkenswert, weil es Pionierarbeit für 3-D-Grafiken für PCs mit MS-DOS leistete, vernetztes Multiplay einführte und es den Spielern sogar ermöglichte, ihre eigenen Spiellevel zu erstellen. Tatsächlich ist eine große Anzahl von Doom-Levels – sowohl offizielle als auch von Spielern erstellte – jetzt online frei verfügbar und bildet einen beeindruckenden Korpus für Studium und Forschung.
Und das wirft eine interessante Möglichkeit auf. Ist es möglich, diese Daten zu verwenden, um einen Deep-Learning-Algorithmus zu trainieren, um seine eigenen Ebenen von Doom zu erstellen, die ein Mensch überzeugend finden würde?
Heute erhalten wir dank der Arbeit von Edoardo Giacomello und Kollegen vom Politecnico di Milano in Italien eine Antwort. Diese Jungs sagen, dass es tatsächlich möglich ist, überzeugende Doom-Levels auf diese automatisierte Weise zu erstellen, und dass die Technik ein erhebliches Potenzial hat, die Art und Weise zu verändern, wie Spielinhalte erstellt werden.
Der Ansatz des Teams ist relativ einfach. Sie beginnen mit 1.000 Doom-Levels aus einem Repository öffentlich zugänglicher Spiele, das alle offiziellen Levels von Doom und Doom 2 sowie mehr als 9.000 von der Gaming-Community erstellte Levels enthält.
Das Team verarbeitete dann jede Ebene, um eine Reihe von Bildern zu erstellen, die die wichtigsten Merkmale darstellen, wie z. B. den begehbaren Bereich, Wände, Bodenhöhe, Objekte und so weiter. Sie erstellten auch einen Vektor, der wichtige Merkmale des Levels in numerischer Form erfasste, wie z. B. Größe, Fläche und Umfang von Räumen, die Anzahl der Räume und so weiter.
Dann verwendeten sie eine Deep-Learning-Technik namens Generative Adversarial Network, um die Daten zu untersuchen und zu lernen, wie man neue Ebenen generiert.
Die Ergebnisse zeigen, wie leistungsfähig diese Technik ist. Nach etwa 36.000 Iterationen konnten die Deep-Learning-Netzwerke eine gute Qualität produzieren. Unsere Ergebnisse zeigen, dass generative gegnerische Netzwerke die intrinsische Struktur von DOOM-Levels erfassen können und ein vielversprechender Ansatz für die Levelgenerierung in Ego-Shooter-Spielen zu sein scheinen, sagen Giacomello und Co.
Die Forscher haben die neuen Level getestet und sagen, sie seien interessant zu erkunden und zu spielen, mit typischen Doom-Features wie engen Tunneln und großen Räumen. Hier können Sie sich eines der gespielten Levels ansehen.
Natürlich sind die Levels nicht perfekt. Zum Beispiel haben Deep-Learning-Netzwerke Schwierigkeiten, feine Details zu produzieren, wahrscheinlich wegen verrauschter Daten, die bei dieser Art von Ansatz unvermeidlich generiert werden.
Dennoch könnte selbst dieser Automatisierungsgrad erhebliche Auswirkungen auf Spieledesigner haben. Levels sind von größter Bedeutung, insbesondere in Ego-Shootern und Plattformspielen, da sie das Spielerlebnis stark beeinflussen, sagen Gicomello und Co. Die Erstellung von Inhalten ist jedoch einer der zeitaufwändigsten und teuersten Teile des Entwicklungsprozesses.
Spielehersteller verlassen sich auf menschliches Fachwissen und umfangreiche Tests, um gute Levels zu erstellen. Und weil dies so teuer ist, suchen viele von ihnen nach effektiven Möglichkeiten, den Prozess zu automatisieren oder den Spieledesigner zu unterstützen.
Vielleicht ist es das. Einen Weg zu finden, die Levelerstellung zumindest teilweise zu automatisieren, ist eine bedeutende Errungenschaft. Es sollte menschlichen Designern die Möglichkeit geben, sich auf größere Probleme zu konzentrieren, wie z. B. die Art des Levels, das sie erstellen möchten. Menschliche Designer können sich auf High-Level-Features konzentrieren, indem sie bestimmte Arten von Karten oder Features in den Trainingssatz aufnehmen, sagen Giacomello und Co.
In den letzten Jahren haben Informatiker gezeigt, wie Deep-Learning-Maschinen lernen können, Videospiele von Grund auf neu zu spielen und dann menschliche Spieler schnell zu übertreffen. Daher ist es nicht wirklich überraschend, dass sie auch lernen können, einige Aspekte der Spiele zu entwerfen.
Die größere Frage ist, inwieweit sie jemals bei dem kreativeren Prozess helfen können, eine Hintergrundgeschichte für Charaktere zu erstellen, eine überzeugende Handlung für ein ganzes Spiel zu generieren oder ein originelles Gameplay zu entwickeln. Der Mensch ist in dieser Hinsicht noch nicht überflüssig.
Ref: arxiv.org/abs/1804.09154 : DOOM-Level-Generierung mit Generative Adversarial Networks