BlenderLLM: Training Large Language Models for Computer-Aided Design with Self-improvement
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Information Technology Research Institute, China Tower(中国铁塔信息技术研究院)
本文提出BlenderLLM框架,结合自我改进方法和微调训练大语言模型用于CAD任务,并构建数据集BlendNet与基准CADBench,显著提升了CAD脚本生成的功能与准确性。
2024-12-16 cs.AI cs.HC
Fuzzy Approach for Audio-Video Emotion Recognition in Computer Games for Children
Kazakh-British Technical University(哈萨克-英国技术大学)
本文提出融合 FER 与 CREMA-D 等多数据集及模糊推理的儿童游戏音视频情感识别框架,可追踪情感稳定性、多样性和主导情绪。
2023-08-31 cs.AI
Go-Blend behavior and affect
Institute of Digital Games University of Malta(马耳他大学数字游戏研究所)
本文提出了一种范式转换的情感计算,通过查看情感建模任务作为一个强化学习过程。根据我们提出的框架的背景(环境)和代理的行动定义的共同表示,交织的行为和影响。为了实现这一框架,我们建立在强化学习的最新进展基础上,并使用了Go-Explore算法的修改版本,该算法在硬探索任务中表现出了最高的性能。在这个初步的研究中,我们测试我们的框架在街机游戏中训练去探索代理既发挥最佳,并试图模仿人类的觉醒示威。我们改变了最佳游戏和唤醒模仿之间的重要性程度,并创造了能够有效显示情感和行为模式的代理。我们的Go-Explore实现不仅为情感建模引入了一种新的范式;它通过提供可以混合和表达多种行为和情感模式的代理来实现可信的基于AI的游戏测试。
2021-09-24 cs.AI cs.HC cs.LG
AI in Human-computer Gaming: Techniques, Challenges and Opportunities
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);Department of Automation, Tsinghua University(清华大学自动化系)
本文综述了棋类、卡牌、第一人称射击和即时战略等游戏AI的成功案例,比较其技术难点与主流框架,并指出当前挑战与未来趋势。
2022-08-18 cs.AI
AntiCheatPT: A Transformer-Based Approach to Cheat Detection in Competitive Computer Games
The IT-University of Copenhagen(丹麦技术大学);brAIn lab - Culture, Play(brAIn实验室 - 文化、游戏);AI Section The IT-University of Copenhagen(人工智能部门 丹麦技术大学)
针对现有反作弊系统难兼顾非侵入性与作弊手段迭代的问题,提出基于Transformer的《CS2》作弊检测模型AntiCheatPT_256,发布含795场对局的标注数据集CS2CD,经数据增强训练后模型准确率达89.17%,为相关研究提供可靠基线。
2025-08-08 cs.AI
Examples as Interaction: On Humans Teaching a Computer to Play a Game
Hellenic Open University(希腊开放大学)
本文回顾了一个人机交互的实验,当人类试图教计算机玩战略棋盘游戏时,会发生交互。我们发现,虽然单独学习的模型可以提高计算机的播放性能,但它们的直接组合会稀释早期学习的内容。这一观察表明,当一个人希望利用多个人类专家来开发一个高质量的计算机玩家时,交互不能轻易地分布。这与机器人任务学习中的类似方法和人类学习的经典方法有关,并加强了开发工具的必要性,这些工具有助于将基于人类的教学和计算机自学相结合。
2009-11-05 cs.AI cs.GT
Cooperative Multi-agent Approach for Automated Computer Game Testing
Utrecht University(乌得勒支大学);Umeå University(于默奥大学)
针对多人游戏冗长场景的自动化测试难题,本文提出协作式多智能体测试方法,并通过3D游戏 Lab Recruits 案例评估其加速多任务执行的性能。
2024-05-18 cs.AI cs.SE
Gapoera: Application Programming Interface for AI Environment of Indonesian Board Game
Universitas Islam Indonesia(印度尼西亚伊斯兰大学)
当前,计算机游戏的发展呈现出巨大的热潮。当今互联网接入的便利性和速度也影响了计算机游戏的发展,尤其是在线玩的计算机游戏。互联网技术已经允许计算机游戏以多人模式玩。在计算机游戏中,玩家之间的互动可以通过几种方式建立,其中之一是通过提供平衡的对手。对手可以使用智能代理开发。另一方面,开发智能代理的研究也在迅速增长。在计算机游戏开发中,测量智能代理的性能的最简单的方法之一是开发允许智能代理与其他玩家交互的虚拟环境。在本研究中,我们尝试开发一个智能代理和虚拟环境的棋盘游戏。为了便于访问,智能代理和虚拟环境然后被开发成一个应用程序编程接口(API)服务,称为Gapoera API。Gapoera的API服务有望帮助游戏开发人员开发游戏,而无需过多考虑游戏中嵌入的人工智能。该服务提供了一个基本的多级智能代理,可以为用户提供在印度尼西亚通常玩的棋盘游戏。虽然Gapoera API可用于各种类型的游戏,但在本文中,我们将重点讨论印度尼西亚流行的传统棋盘游戏,即Mancala。测试结果表明,多级代理的概念开发工作的预期。另一方面,Gapoera API服务的开发也已成功接入多个游戏平台。
2021-10-22 cs.AI cs.MM
Benchmarking End-to-End Behavioural Cloning on Video Games
University of Eastern Finland(东芬兰大学)
行为克隆,即根据演示教计算机执行任务,已成功应用于各种视频游戏和机器人任务,有或没有强化学习。这也包括端到端的方法,在这种方法中,计算机像人类一样玩视频游戏:通过查看屏幕上显示的图像,并向游戏发送任务。作为玩视频游戏的一般方法,这有许多诱人的特性:不需要对游戏进行专门的修改,没有冗长的培训课程,并且能够在不同的游戏中重复使用相同的工具。然而,相关的工作包括游戏特定的工程,以实现的结果。我们采取了一种通用的方法,并研究了行为克隆的一般适用性的12个视频游戏,包括6个现代的视频游戏(2010年后出版),通过使用人类示范作为训练数据。我们的研究结果表明,这些智能体在原始性能上无法与人类相匹配,但它们确实学习了基本的动态和规则。我们还演示了数据的质量如何重要,以及记录来自人类的数据如何受到状态-动作不匹配的影响,这是由于人类的反射。
2020-05-18 cs.AI
Search in Imperfect Information Games
Charles University(查理大学);University of Alberta(阿尔伯塔大学)
从这个领域的黎明开始,带有价值函数的搜索就是计算机游戏研究的一个基本概念。图灵在1950年的国际象棋算法能够提前两步思考,香农在$1950$的国际象棋工作包括一个关于搜索中使用的评估函数的广泛部分。Samuel在1959年开发的跳棋程序已经将搜索和价值函数结合在一起,这两个函数都是通过自我游戏和自举学习的。TD-Gammon改进了这些想法,并使用神经网络来学习那些复杂的价值函数--只是在搜索中再次使用。决策时间搜索和价值函数的结合已经出现在计算机在长期挑战性游戏中击败人类对手的显着里程碑中- DeepBlue for Chess和AlphaGo for Go。直到最近,这个强大的搜索框架与(学习)价值函数的帮助下,已被限制在完美的信息游戏。由于许多有趣的问题并不能为智能体提供环境的完美信息,这是一个不幸的限制。本文介绍了不完全信息博弈下的声音搜索.
2021-11-10 cs.AI
Low-level cognitive skill transfer between two individuals' minds via computer game-based framework
De Montfort University(德蒙福特大学)
这里介绍的新技术旨在完成两个人之间(例如,从专家到学习者)转移低级别认知技能的第一阶段,以简化目标“学习者”个人在游戏环境中连续的更高级别陈述性学习过程。这种低级认知技能与程序性知识相关联,并且建立在低级心智上,该低级心智只能通过新颖的技术(而不是通过传统的教育环境)来揭示和传递,如高度互动的计算机游戏领域,其中用户在游戏会话期间通过游戏英雄非故意地暴露他/她的无意识心智行为。由游戏英雄暴露的认知数据将被记录,然后由人工智能技术如贝叶斯网络建模,用于认知技能转移的早期阶段,并且还生成认知刺激以用作游戏代理来训练学习者。
2021-03-03 cs.AI cs.HC cs.IR
Complementing the Linear-Programming Learning Experience with the Design and Use of Computerized Games: The Formula 1 Championship Game
Universidad Simón Bolívar(西蒙·玻利瓦尔大学)
本文档侧重于模拟复杂情况,以在竞争环境中获得优势。我们的目标是设计游戏的特点,教和练习不容易量化的任务,数学建模过程中至关重要的。介绍了一种计算机游戏来练习数学建模过程和优化问题的制定。这场比赛被命名为一级方程式锦标赛,比赛的模型是在计算机模拟平台MoNet中开发的。它类似于某些情况下,车队经理必须做出关键决定,以提高他们的赛车到可行的,最有利的条件。本文介绍了游戏的规则,限制,和五个一级方程式赛道模拟器用于锦标赛的发展。我们提出了几个配方的这种情况下,在优化问题的形式。管理预算,以达到最好的汽车调整,以一套电路,以赢得各自的比赛可以是一种方法。专注于每一场大奖赛预算的最佳分配,然后决定如何使用分配的资金来改进赛车也是正确的方法。一般来说,这些方法之间可能存在一定程度的冲突,因为它们是同一多尺度优化问题的不同方面。因此,我们评估的影响,分配最高优先级的元素,或另一个,当制定的优化问题。研究解决这类优化问题的有效性,是评估专注于某个尺度的优势的一种令人兴奋的方式。本研究的另一条线索是游戏在教学过程中的意义。我们相信,应用一级方程式游戏是一种有效的方法,可以在复杂的系统情况下发现机会,并将其制定为最终提取和具体化所描述的背景下的相关利益。
2021-09-19 cs.AI cs.GT
Learning Language Games through Interaction
Stanford University(斯坦福大学)
我们介绍了一种新的语言学习设置相关的建设自适应自然语言接口。它的灵感来自维特根斯坦的语言游戏:一个人希望完成一些任务(例如,实现块的特定配置),但是只能与执行实际动作的计算机通信(例如,移除所有红色块)。计算机最初对语言一无所知,因此必须通过交互从头开始学习,而人类则适应计算机的能力。我们在一个积木世界中创建了一个游戏,并收集了100名参与者的互动。首先,我们分析了人类的策略,表明使用组合性和避免同义词与任务绩效呈正相关。其次,我们比较计算机策略,展示如何快速从头开始学习语义解析模型,以及建模语用学进一步加速成功玩家的学习。
2016-06-08 cs.AI cs.CL
GameArena: Evaluating LLM Reasoning through Live Computer Games
University of California, San Diego(加利福尼亚大学圣迭戈分校);University of California, Berkeley(加利福尼亚大学伯克利分校);Snowflake(雪花公司)
本文提出动态基准 GameArena,通过三款人机交互游戏细粒度评估 LLM 的演绎、归纳等推理能力,并基于 2000 多个会话和 100 人用户研究验证其评估效果与参与度。
2025-02-15 cs.AI cs.CL
Towards Informed Design and Validation Assistance in Computer Games Using Imitation Learning
SEED - Electronic Arts (EA)(SEED——美国艺电(EA));Università degli Studi di Firenze(佛罗伦萨大学)
在游戏和其他许多领域,设计验证和测试是一个巨大的挑战,因为系统的规模越来越大,手动测试变得不可行。本文提出了一种新的方法来自动游戏验证和测试。我们的方法利用了数据驱动的模仿学习技术,这需要很少的精力和时间,不需要机器学习或编程的知识,设计师可以用来有效地训练游戏测试代理。我们通过与行业专家的用户研究来调查我们方法的有效性。调查结果表明,我们的方法确实是一种有效的游戏验证方法,数据驱动编程将有助于减少工作量和提高现代游戏测试的质量。调查还强调了几个公开的挑战。在最新文献的帮助下,我们分析了所确定的挑战,并提出了适合支持和最大限度地利用我们的方法的未来研究方向。
2022-08-19 cs.AI cs.LG cs.SE
On Measuring the Impact of Human Actions in the Machine Learning of a Board Game's Playing Policies
我们系统地研究了人工干预对策略棋盘游戏中计算机玩家训练的影响。在该游戏中,计算机玩家利用神经网络的强化学习来发展他们的游戏策略,并表现出缓慢的学习速度。人工干预可以显著提高学习性能,但系统地进行它似乎是一个集成的游戏开发环境,而不是自动进化学习的问题。
2006-11-30 cs.AI cs.GT cs.NE
Game AI Not Fun? A Scoping Review and Meta-Analysis on the Differences in Enjoyment between Human and Computer Opponents
Sony Interactive Entertainment Inc.(索尼互动娱乐公司)
该研究针对玩家与人类及计算机对手竞争时的享受程度差异展开范围综述与元分析,梳理相关研究概况并进行定量评估,发现计算机对手条件下存在心理惩罚,强调进一步研究以理解和解决此问题的必要性。
2026-07-29 cs.AI cs.CY cs.HC
Dynamic Move Chains -- a Forward Pruning Approach to Tree Search in Computer Chess
Distributed Computing Systems(分布式计算系统公司)
本文提出了一种新的计算机象棋搜索博弈树剪枝机制。该算法存储并重用从以前的搜索中建立的移动链或序列。这些移动序列有一个内置的前向修剪机制,可以从根本上减少搜索空间。一个典型的搜索过程可能会从换位表中检索一个移动,其中检索什么移动的决定将基于位置本身。此算法存储移动序列的基础上,以前的序列是更好的,或造成的截止。因此,这是位置无关的,因此它也可以在不完全信息或不确定性的博弈中使用,其中整个情况在任何时候都不知道。在一小组测试中,该算法在搜索减少和游戏结果方面都明显优于换位表。
2014-03-04 cs.AI cs.NE
Multi-Labelled Value Networks for Computer Go
本文提出了一种新的方法,一种新的价值网络架构的游戏围棋,称为多标签(ML)价值网络。在ML值网络中,针对不同的komi设置同时训练不同的值(胜率),这是一种补偿,用于平衡先玩的主动性。ML值网络有三个优点,(a)它输出不同komi的值,(b)它支持动态komi,(c)它降低了均方误差(MSE)。本文还提出了一种新的动态komi方法来提高游戏强度。本文还进行了实验,以证明该架构的优点。首先,ML价值网络的MSE通常低于单独的价值网络。第二,基于ML价值网络的程序以67.6%的比率战胜了仅基于价值网络的程序。第三,提出的动态科米方法的程序显着提高了发挥实力的基线,不使用动态科米,特别是对障碍游戏。据我们所知,到目前为止,还没有一个障碍游戏被使用价值网络的程序公开地玩过。本文提供了一个有用的方法来玩障碍游戏这些程序。
2017-05-30 cs.AI cs.LG
Applied Machine Learning for Games: A Graduate School Course
University of Southern California(南加州大学)
游戏行业正在进入一个时代,老式的游戏引擎正在被重新设计的系统所取代,这些系统具有嵌入式机器学习技术,用于操作,分析和理解游戏。在本文中,我们描述了我们的机器学习课程,该课程是为有兴趣将深度学习和强化学习的最新进展应用于游戏的研究生设计的。本课程作为桥梁,以促进研究生院之间的跨学科合作,不需要事先设计或构建游戏的经验。参加本课程的研究生应用不同领域的机器学习技术,如计算机视觉,自然语言处理,计算机图形学,人机交互,机器人和数据分析,以解决游戏中的开放性挑战。学生项目涵盖用例,例如在游戏基准环境和比赛中训练AI机器人,了解游戏中的人类决策模式,以及创建智能不可玩角色或环境以促进引人入胜的游戏玩法。项目演示可以帮助学生打开行业职业生涯的大门,瞄准出版物,或为未来的产品奠定基础。我们的学生在应用最先进的机器学习技术来解决游戏中的现实问题方面获得了实践经验。
2021-01-01 cs.AI cs.CY cs.LG
Adaptive Gaussian Fuzzy Classifier for Real-Time Emotion Recognition in Computer Games
Federal University of Lavras (UFLA)(拉夫拉斯联邦大学)
人类情感识别已经成为更现实和交互式机器和计算机系统的需要。最大的挑战是高性能算法的可用性,以有效地管理生理数据流中的个体差异和非平稳性,即,为用户自定义的算法,而没有对象特定的校准数据。我们描述了一个不断发展的高斯模糊分类器(eGFC),这是支持在线半监督学习算法,以识别情绪模式从脑电图(EEG)数据流。我们提取特征的傅立叶频谱的EEG数据。这些数据是由28个玩“训练Sim World”、“Unravel”、“Slender The Arrival”和“Goat Simulator”的人提供的,这是一个公共数据集。不同的情绪占主导地位,即无聊,平静,恐怖和喜悦。我们分析了单个电极、时间窗长度和频带对用户独立eGFC准确性的影响。我们的结论是,两个大脑半球可能有助于分类,特别是在额叶(Af 3-Af 4),枕叶(O 1-O2)和颞叶(T7-T8)地区的电极。我们观察到,模式可能最终在任何频带中被发现;然而,Alpha(8- 13 Hz)、Delta(1- 4 Hz)和Theta(4-8Hz)频带按此顺序与情感类别相关性最高。eGFC已经被证明对于EEG数据的实时的【形】学习是有效的。它达到了72.2%的准确率,使用可变的规则库,10秒的窗口,和1.8ms/样本的处理时间在一个高度随机的时变4类分类问题。
2021-03-05 cs.AI cs.HC cs.LG