Automatické generování herních úrovní

Abstract

Tato práce zkoumá novou (podle naších znalostí) formulaci generování herních úrovní. Náš generátor úrovní dostává složitost v rozsahu $ [0, 1] $ a generuje herní úroveň této obtížnosti. Dále tento úkol rozšiřujeme na generaci různých úrovní stejné obtížnosti. Problém vyřešíme pomocí N-dimenzionálního generátoru, který hledá nejbližší bod v prostoru pro vložení k počátečnímu bodu, který odpovídá dané obtížnosti. Zkoumáme význam obtížnosti, možné definice a interpretace. Poté představíme několik možných způsobů vyhodnocení obtížnosti generované úrovně pomocí agentů, kteří mohou vzorkovat trajektorie v resetovatelném prostředí. Pro jednoduchost v této práci používáme agenty Q-learning a agenty gradientů zásad. Práce představuje obecný framework pro generování herních úrovní, který je snadno pochopitelný a jednoduchý k použití. Různé části frameworku (např. vyhodnocování obtížnosti) lze rozšířit o sofistikovnějšimy algoritmy, které by mohly zvýšit celkovou kvalitu generovaných úrovní, zvýšit rychlost atd. Tato práce tedy představuje základ pro další výzkum z hlediska generování herních úrovní, vyhodnocování obtížnosti, srovnání různých metod hodnocení obtížnosti a jak hodnocení ovlivňuje generování úrovní.

This work explores the novel (as to our knowledge) formulation of generating game levels. Our level generator takes a difficulty input in a $[0, 1]$ range and outputs a game level of that difficulty. Further on, we extend the task into a generation of a variety of different levels within that same difficulty. We solve the problem using an N-dimensional seeded generator, that searches for the closest point within the embedding space to the seed point, that corresponds to the given difficulty. We explore the meaning of difficulty, possible definitions, and interpretations. We then introduce several possible ways of evaluating the difficulty of the generated level using agents, that can sample trajectories in a resettable environment. For simplicity, in this work, we use Q-learning agents and policy gradient agents. The work presents a general framework for generating game levels that is simple to understand and use. Different parts of the framework (e.g. difficulty evaluation) can be extended with more sophisticated algorithms, that could increase the overall quality of the generated levels, increase speed, etc. Thus, this work represents a foundation for further research in terms of game level generation, difficulty evaluation, comparison of different difficulty evaluation methods, and how does evaluation influence levels generation.