Bayesian Optimization-based Search for Agent Control in Automated Game Testing
Production R\&D, Tencent Amsterdam, Netherlands
本文提出基于贝叶斯优化的自动化游戏测试方法，通过智能体控制角色并结合网格地图专用模型实现样本高效搜索，显著提升地图覆盖的时间效率与探索分布。
2025-08-18 cs.AI
GamED.AI: A Hierarchical Multi-Agent Framework for Automated Educational Game Generation
Arizona State University（亚利桑那州立大学）
本文提出GamEDAI框架，通过分层多智能体方法将教师提供的问题转化为可玩的教育游戏，验证通过形式化机制合同。系统在200个问题上实现90%验证通过率和98.3%的模式合规性。
2026-05-07 cs.AI
Automated Gaming Pommerman: FFA
Bennett University（贝内特大学）
本文介绍基于 Bommerman 的多智能体游戏 Pommerman：FFA，其运行于 11×11 平台，包含四个智能体并覆盖多种情境。
2019-07-13 cs.AI
Automated Video Game Testing Using Synthetic and Human-Like Agents
Middle East Technical University（中东技术大学）
在本文中，我们提出了一种新的方法，该方法使用测试代理来自动化视频游戏测试。我们介绍两种类型的代理-合成和类人-和两种不同的方法来创建它们。我们的代理是从强化学习（RL）和蒙特卡罗树搜索（MCTS）代理派生的，但专注于发现缺陷。合成代理使用从游戏场景生成的测试目标，这些目标被进一步修改以检查意外游戏转换的影响。类人智能体使用我们提出的多贪婪策略逆强化学习（MGP-IRL）算法从测试者轨迹中提取的测试目标。MGPIRL捕获由测试人员执行的多个策略。这些测试人员的目标是在与游戏互动的同时发现缺陷，以打破它，这与玩游戏有很大的不同。我们提出的相互作用状态来模拟这种相互作用。我们使用我们的代理来生成测试序列，使用这些序列运行游戏，并使用自动测试oracle检查每次运行的游戏。我们分析了所提出的方法在两个部分：我们比较成功的类人和合成代理的错误发现，我们评估类人代理和人类测试人员之间的相似性。我们使用通用视频游戏人工智能（GVG-AI）框架从人类测试人员那里收集了427条轨迹，并创建了三款包含45个错误的12级游戏。我们的实验表明，类人和合成代理人与人类测试人员的错误发现性能竞争。此外，我们表明，MGP-IRL增加了人性化的代理，同时提高了错误发现性能。
2019-06-02 cs.AI
GameUIAgent: An LLM-Powered Framework for Automated Game UI Design with Structured Intermediate Representation
本文提出GameUIAgent框架，通过结构化中间表示将自然语言描述转化为Figma设计，结合神经符号管道实现迭代自校正，发现质量天花板效应和渲染评估保真原则。
2026-03-16 cs.AI
Adversarial Random Forest Classifier for Automated Game Design
University of Alberta（阿尔伯塔大学）
自主游戏设计，即通过算法生成游戏，一直是技术游戏研究领域的一个长期目标。然而，现有的自主游戏设计系统在很大程度上依赖于人类创作的游戏设计知识，如基于搜索的方法中的健身功能。在本文中，我们描述了一个实验，试图学习一个类似人类的适应度函数，以对抗的方式进行自主游戏设计。虽然我们的实验工作没有达到我们的预期，我们提出了我们的系统和结果的分析，我们希望将是有益的，未来的自主游戏设计研究。
2021-07-26 cs.AI cs.LG
The Road Less Travelled: Trying And Failing To Generate Walking Simulators
Queen Mary University of London（伦敦玛丽女王大学）
自动化游戏设计是一个快速发展的研究领域，但游戏设计的许多方面仍然没有得到很大程度的研究，因为大多数系统都专注于具有明确目标和目标导向游戏的二维游戏。本文介绍了几种尝试，建立一个自动化的游戏设计器的3D游戏更专注于空间，气氛和经验。我们描述了我们构建这些系统的尝试，为什么失败了，以及我们认为哪些步骤和未来的工作对其他人未来的尝试有用。
2021-04-23 cs.AI
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
Augmenting Automated Game Testing with Deep Reinforcement Learning
SEED - Electronic Arts (EA)（SEED - 艺电公司）
一般的游戏测试依赖于人类游戏测试人员的使用、游戏测试脚本以及感兴趣领域的先验知识来产生相关的测试数据。使用深度强化学习（DRL），我们将自学习机制引入游戏测试框架。通过DRL，该框架能够基于用户定义的强化奖励信号来探索和/或利用游戏机制。结果，测试覆盖率增加，并且在众多游戏类型中发现了意外的游戏机制、漏洞和错误。在本文中，我们表明，DRL可以用来增加测试覆盖率，发现漏洞，测试地图的难度，并检测常见的问题，出现在第一人称射击（FPS）游戏的测试。
2021-03-29 cs.AI cs.LG
Constrained Automated Mechanism Design for Infinite Games of Incomplete Information
University of Michigan（密歇根大学）；Yahoo! Research（雅虎研究院）
提出了一种基于设计者与机构参与者之间策略交互的两阶段博弈模型的自动化机制设计的功能框架，并将其应用于几类不完全信息的两人无限博弈。在我们的框架的核心是一个黑盒优化算法，指导候选机制的选择过程。我们的方法产生最佳或接近最佳的机制，在几个应用领域，使用各种目标函数。通过比较我们的结果与已知的最佳机制，并在某些情况下，提高最知名的机制，我们提供的证据表明，我们是一个很有前途的方法参数化设计的间接机制。
2012-06-20 cs.AI cs.GT
MIMIC-Py: An Extensible Tool for Personality-Driven Automated Game Testing with Large Language Models
Electrical and Computer Engineering, McGill University（麦吉尔大学电气与计算机工程系）
MIMIC-Py通过模块化架构实现人格驱动LLM代理的可重用性和扩展性，支持多种交互机制，降低新游戏环境部署难度。
2026-04-09 cs.AI cs.SE
Automated Isovist Computation for Minecraft
University of Hertfordshire（赫特福德大学）
游戏的程序化内容生成在研究和行业中都是一个日益增长的趋势，尽管对于内容的好坏以及如何自动评估没有达成共识。过去已经开发了许多指标，通常集中在工件的整体上，大多缺乏人类经验的基础。在这项研究中，我们开发了一套新的自动化指标，从建筑的想法，即isovists和空间语法，这有一个跟踪记录捕捉人类的空间体验的动机。这些度量可以从玩家的角度针对特定游戏状态来计算，并且考虑它们在游戏世界中的实施例。我们将展示如何将这些指标应用于Minecraft的3D区块世界。我们使用来自Minecraft中的GDMC结算生成挑战的生成结算数据集，并在isovist属性和人类评委给予这些设置元素的评级之间建立了几个基于排名的相关性。我们还制作了一系列热图，展示了该方法基于位置的适用性，这允许开发这些指标作为特定时间和空间的游戏体验的衡量标准。
2022-04-07 cs.AI
PlotMap: Automated Layout Design for Building Game Worlds
Autodesk Research（欧特克研究院）
针对现有游戏地图生成方法忽略叙事支撑、需大量人工调整的问题，本研究提出PlotMap框架，新增独立的剧情设施布局层，分别基于CMA-ES进化计算和强化学习实现自动布局，构建测试环境与数据集并开展对比分析。
2024-08-16 cs.AI
Automated Let's Play Commentary
Georgia Institute of Technology（佐治亚理工学院）；University of Alberta（阿尔伯塔大学）
视频游戏的Let's Play代表了游戏中实验性AI的一个相对未开发的领域。在这篇简短的论文中，我们讨论了一种利用卷积深度神经网络为Let's Play视频生成自动评论的方法。我们专注于流行游戏Minecraft的Let's Plays。我们比较了我们的方法和以前的方法，并演示了自动化，人工评论的生成。
2019-09-06 cs.AI cs.CL
World of Bugs: A Platform for Automated Bug Detection in 3D Video Games
Royal Holloway University of London（伦敦大学皇家霍洛威学院）
我们介绍了World of Bugs（WOB），一个旨在支持视频游戏中自动错误检测（ABD）研究的开放平台。我们讨论了ABD中的一些悬而未决的问题以及它们与平台设计的关系，并认为如果要取得进一步的进展，就需要基于学习的解决方案。该平台的主要功能是越来越多的常见视频游戏错误，可用于训练和评估ABD方法。
2022-06-21 cs.AI cs.LG cs.MA
Toward Automated Quest Generation in Text-Adventure Games
School of Interactive Computing（交互计算学院）；Georgia Institute of Technology（佐治亚理工学院）
交互式小说，或文本冒险，是玩家完全通过文本描述和文本动作与世界互动的游戏。文本冒险游戏通常被构造为谜题或任务，其中玩家必须以特定顺序执行特定动作才能成功。在本文中，我们考虑的问题，程序生成一个任务，定义为一系列的行动所需的进展朝着一个目标，在文本冒险游戏。文本环境中的任务生成具有挑战性，因为它们必须是语义连贯的。我们提出并评估了两种任务生成技术：（1）马尔可夫模型，（2）神经生成模型。我们特别关注生成关于烹饪的任务，并根据食谱数据训练我们的模型。我们评估我们的技术与人类参与者的研究看感知的创造力和连贯性。
2020-08-19 cs.AI cs.CL
Automated Planning in Repeated Adversarial Games
Imperial College London（伦敦帝国学院）；University of Southampton（南安普顿大学）
博弈论的规范性力量通常依赖于完全理性和/或自我博弈的互动。与此相反，这项工作抛开这些基本前提，而是集中在两个或多个代理之间的异构自主交互。具体来说，我们介绍了一种新的和简洁的表示重复对抗（常和）游戏，突出必要的功能，使自动规划代理的原因如何得分以上的游戏的纳什均衡，面对异构对手。为此，我们提出了TeamUP，一个基于模型的RL算法，旨在学习和规划这样的抽象。本质上，它有点类似于R-max，具有巧妙设计的奖励塑造，将探索视为对抗性优化问题。在实践中，它试图找到一个盟友，与之默契地勾结（在超过两个玩家的游戏中），然后合作制定一个联合行动计划，在对抗性重复游戏中始终获得高效用。我们使用首届柠檬水摊位游戏锦标赛来证明我们的方法的有效性，并发现TeamUP是表现最好的代理，将锦标赛的实际获胜策略降级为第二位。在我们的实验分析中，我们展示了我们的策略成功地并始终如一地与许多不同的异构（有时非常复杂）对手建立合作。
2012-03-15 cs.AI cs.GT
Automated Play-Testing Through RL Based Human-Like Play-Styles Generation
CNRS（法国国家科学研究中心）；LIP6（计算机科学实验室LIP6）；Ubisoft La Forge（育碧La Forge）
现代视频游戏中游戏机制的日益复杂性导致了更广泛的游戏方式的出现。各种可能的游戏风格需要设计师通过自动化测试来预测。强化学习是一个很有前途的答案自动化视频游戏测试的需要。为了达到这个效果，需要训练一个智能体来玩游戏，同时确保这个智能体将产生与玩家相同的游戏风格，以便向设计师提供有意义的反馈。我们提出了CARMI：一个可配置的代理与相对湿度作为输入。一个能够模仿玩家游戏风格的代理，即使是在以前看不见的水平上。与目前的方法不同，它不依赖于完整的轨迹，而只是摘要数据。此外，它只需要很少的人类数据，因此与现代视频游戏制作的限制兼容。这种新的代理可以用来调查行为和平衡过程中的视频游戏与现实量的训练时间。
2022-11-29 cs.AI cs.LG
Automated Playtesting with Procedural Personas through MCTS with Evolved Heuristics
Northeastern University（东北大学）；New York University（纽约大学）；University of Malta（马耳他大学）
本文描述了一种生成式玩家建模方法及其在游戏内容自动测试中的应用，该方法使用称为程序角色的原型玩家模型。在心理决策理论的理论基础上，程序人物角色的实现使用蒙特卡罗树搜索（MCTS）的变化，其中节点选择标准的开发使用演化计算，取代标准的UCB 1标准的MCTS。使用这些人物角色，我们演示了如何生成的球员模型可以应用到不同的语料库的游戏水平，并演示了如何不同的游戏风格，可以制定在每个级别。简而言之，我们使用人工智能人物角色来构建合成游戏测试员。所提出的方法可以被用作自动播放测试时，人类的反馈是不容易获得的，或者当潜在的互动是必要的快速可视化的工具。可能的应用包括游戏开发期间的交互式工具或程序内容生成系统，其中必须在短时间内进行许多评估。
2018-02-19 cs.AI
Automated Approach for Solving Infinite-state Polynomial Reachability Games
Institute of Science and Technology Austria (ISTA)（奥地利科学与技术研究所）；ETH Zurich（苏黎世联邦理工学院）；Singapore Management University（新加坡管理大学）
本文提出了一种自动化方法，用于求解无限状态的多项式可达性游戏，通过排名证书证明REACH玩家的胜利策略存在性，并在子指数时间内验证算法的正确性。
2026-05-11 cs.AI cs.GT
Go-Explore Complex 3D Game Environments for Automated Reachability Testing
Microsoft Research（微软研究院）
现代AAA级视频游戏具有巨大的游戏关卡和地图，这对关卡测试人员来说越来越难以穷尽。因此，游戏经常会出现灾难性的错误，比如玩家从地板上掉下来或卡在墙上。我们提出了一种方法，专门针对可达性错误在模拟的3D环境的基础上，强大的探索算法，去探索，保存独特的检查点在地图上，然后确定有前途的探索。我们表明，当再加上简单的算法从游戏的导航网格，去探索发现具有挑战性的错误，并全面探索复杂的环境，而不需要人类的演示或知识的游戏动态。Go-Explore在覆盖导航网格和发现的地图上的独特位置数量方面大大优于更复杂的基线，包括具有内在好奇心的强化学习。最后，由于我们使用了并行代理，我们的算法可以在10小时内在一台机器上完全覆盖一个巨大的1.5km x 1.5km的游戏世界，这使得它非常有希望用于连续测试套件。
2022-09-01 cs.AI cs.LG cs.SE
Game AI Research with Fast Planet Wars Variants
Queen Mary University of London（伦敦玛丽女王大学）
本文描述了星球大战的一个新的实现，从一开始就为游戏AI研究而设计。游戏的技能深度使其成为游戏代理的挑战，每秒超过100万个游戏滴答的速度使快速实验和原型设计成为可能。游戏的参数化特性以及可互换的执行器模型使其非常适合自动游戏调优。该游戏旨在为人类提供有趣的游戏，并可直接由一般视频游戏人工智能智能体玩。
2018-06-22 cs.AI
Automated Unity Game Template Generation from GDDs via NLP and Multi-Modal LLMs
UET Taxila（塔希尔大学工程学院）
本文提出一种利用NLP和多模态LLM将游戏设计文档自动转化为Unity游戏模板的框架，通过微调LLaMA-3模型生成C#代码，在编译、遵循度和模块化等指标上优于现有模型，有效填补AI辅助游戏开发的空白。
2025-09-07 cs.AI cs.CL cs.LG
Automatic Observer Script for StarCraft: Brood War Bot Games (technical report)
Chalmers University of Technology（查尔姆斯理工大学）；Comenius University（考门斯基大学）；Czech Technical University in Prague（捷克布拉格技术大学）
这篇简短的报告描述了一个基于BWAPI的自动化脚本，它是为《星际争霸》Brood War机器人锦标赛SSCAIT的直播而开发的。该脚本控制游戏中的摄像头，以跟踪相关事件并改善观众体验。我们列举了它的新功能，并提供了一些实施说明。
2015-05-01 cs.AI
Conceptual Game Expansion
University of Alberta（阿尔伯塔大学）；Georgia Institute of Technology（佐治亚理工学院）
自动游戏设计是通过计算过程自动生成游戏的问题。传统上，这些方法依赖于设计者对搜索空间的创作，为系统创作定义所有可能游戏的空间。在本文中，我们从游戏视频中学习现有游戏的表示，并使用这些来近似新颖游戏的搜索空间。在一项人类受试者研究中，我们证明了这些新颖的游戏在挑战性方面与人类游戏没有区别，并且其中一个新颖的游戏在乐趣，挫折和可爱性方面与人类游戏相当。
2021-02-19 cs.AI
ADAPT: A Game-Theoretic and Neuro-Symbolic Framework for Automated Distributed Adaptive Penetration Testing
New York University（纽约大学）
针对AI赋能的医疗基础设施网络安全挑战，提出博弈论与神经符号结合的ADAPT自动化分布式自适应渗透测试框架，可实现基于学习的风险评估，实验验证其能有效对抗多种对抗性AI战术手段。
2024-10-31 cs.AI cs.CR cs.GT
Adversarial Online Learning with Variable Plays in the Pursuit-Evasion Game: Theoretical Foundations and Application in Connected and Automated Vehicle Cybersecurity
University of Michigan（密歇根大学）
我们扩展的对抗性/非随机多播放多武装土匪（MPMAB）的情况下，武器的数量是可变的。这项工作的动机是这样一个事实，即分配给扫描不同的关键位置在一个相互连接的交通系统中的资源动态变化，随着时间的推移，并取决于环境。通过分别将恶意黑客和入侵监控系统建模为攻击者和防御者，我们将这两个玩家的问题描述为一个连续的追求-逃避游戏。我们推导出策略博弈的纳什均衡存在的条件。对于防守方，我们提供了一个基于指数加权的算法与次线性伪遗憾。我们进一步扩展我们的模型异构奖励的两个球员，并获得上下限的平均奖励的攻击者。我们提供了数值实验来证明可变臂发挥的有效性。
2021-10-26 cs.AI cs.LG
RuleSmith: Multi-Agent LLMs for Automated Game Balancing
Yale University（耶鲁大学）；Texas A\&M University（德克萨斯农工大学）
RuleSmith利用多智能体LLM实现自动化游戏平衡，通过贝叶斯优化和自适应采样高效搜索参数空间，实现高平衡配置和可解释规则调整。
2026-10-22 cs.AI cs.GT cs.LG
Automated Graph Genetic Algorithm based Puzzle Validation for Faster Game Design
Electronic Arts（美国艺电公司）
许多游戏都依赖于不断创造新的和吸引人的内容，以保持他们的玩家基础的兴趣。一个这样的例子是益智游戏，在这种情况下，经常需要创建新的谜题。创建新的谜题需要保证它们是可解的，并且对玩家来说是有趣的，这两个都需要设计师花费大量的时间。谜题的自动验证为设计师提供了显著的时间节省和潜在的质量提升。自动化允许谜题设计者估计不同的属性，增加约束的多样性，甚至为特定的玩家个性化谜题。谜题通常有一个很大的设计空间，这使得穷举搜索方法不可行，如果他们需要大量的时间。具体来说，这些难题可以用公式表示为二次组合优化问题。本文提出了一种进化算法，授权的专家知识知情的启发式，解决视频游戏中的逻辑难题，有效地，导致一个更有效的设计过程。我们讨论了多种变化的混合遗传方法的约束满足的问题，使我们能够找到一组不同的接近最优的解决方案的难题。我们展示了我们的方法在一个幻想党建设益智游戏，并讨论它如何可以更广泛地应用到其他难题，以指导设计师在他们的创作过程。
2023-02-21 cs.AI cs.NE
Learning to Identify Perceptual Bugs in 3D Video Games
Royal Holloway University of London（伦敦大学皇家霍洛威学院）
视频游戏中的自动错误检测（ABD）由两个不同但互补的问题组成：自动游戏探索和错误识别。自动化游戏探索最近受到了很多关注，受到强化学习等领域发展的推动。识别玩家体验中存在的错误的补充问题在很大程度上依赖于规则的手动规范。尽管人们普遍认为，许多感兴趣的错误不能用这种方法来识别，但在这方面几乎没有取得进展。在这项工作中，我们表明，它是可以识别一系列的知觉错误，使用基于学习的方法，只利用渲染的游戏屏幕所看到的玩家。为了支持我们的工作，我们开发了World of Bugs（WOB），这是一个用于在3D游戏环境中测试ABD方法的开放平台。
2022-02-25 cs.AI cs.CV cs.LG
A modular framework for automated evaluation of procedural content generation in serious games with deep reinforcement learning agents
National Technical University of Athens（雅典国家技术大学）；Maastricht University（马斯特里赫特大学）
本文提出一种结合深度强化学习游戏测试智能体的模块化框架，用于自动评估严肃游戏中的程序化内容生成，并通过三种 NPC 生成版本验证了遗传算法版本在胜率和训练时间上优于随机生成版本。
2025-07-13 cs.AI cs.LG
A non-cooperative meta-modeling game for automated third-party calibrating, validating, and falsifying constitutive laws with parallelized adversarial attacks
Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Columbia University（哥伦比亚大学）
本构模型的评估，特别是对于高风险和高遗憾的工程应用，需要有效和严格的第三方校准，验证和证伪。虽然在开发验证模型的范例和标准程序方面作出了许多努力，但由于普遍采用的校准和验证过程具有顺序性、手工性和往往带有偏见的性质，因此可能会出现困难，从而减缓数据收集的速度，阻碍在发现新物理学方面取得进展，增加费用，并可能导致对拟议模型的可信度和适用范围的误解。这项工作试图引入博弈论和机器学习技术的概念，以克服许多现有的困难。我们引入了一个自动元建模游戏，其中两个相互竞争的AI代理系统地生成实验数据来校准给定的本构模型并探索其弱点，以通过竞争来改善实验设计和模型鲁棒性。两个智能体在没有人为干预的情况下，在对抗性强化学习框架中自动搜索元建模博弈的纳什均衡。通过将实验室实验的所有可能的设计选项捕获到单个决策树中，我们将实验的设计重新塑造为组合移动的游戏，可以通过两个竞争玩家的深度强化学习来解决。我们的对抗性框架模拟了研究人员之间理想化的科学合作和竞争，以更好地理解所学习的材料定律的应用范围，并防止传统的基于人工智能的第三方验证引起的误解。
2020-04-13 cs.AI cs.LG eess.SP
Integrating Automated Play in Level Co-Creation
Georgia Institute of Technology（佐治亚理工学院）；University of Alberta（阿尔伯塔大学）；Worcester Polytechnic Institute（伍斯特理工学院）
在关卡共同创建中，AI和人类共同创建一个视频游戏关卡。关卡共同创造中的一个开放性挑战是如何授权人类用户以确保最终关卡的特定质量，例如挑战。对于视频游戏关卡的自动化路径和自动化游戏测试已经有了大量的研究，但没有研究如何将这些整合到工具中。在这个演示中，我们提出了一个改进的Morai Maker混合主动水平编辑器的超级马里奥兄弟，包括自动路径和挑战近似功能。
2019-11-20 cs.AI cs.HC
Reward-Adaptive Iterative Discovery: A Case Study on Automated Game Testing for NHL26
Electronic Arts (EA)（艺电公司）
以EA SPORTS NHL 26为例，针对游戏测试工作量大的问题，提出奖励自适应迭代发现（RAID）方法，通过扩展强化学习算法，使其能找到多样高质量解决方案，单次实验就找到六种类似人工测试的曲棍球得分利用策略。
2026-07-09 cs.AI cs.LG
A Grey-Box Approach to Automated Mechanism Design
The Graduate School and University Center, The City University of New York（纽约市立大学研究生中心）；University of Birmingham（伯明翰大学）；Brooklyn College, The City University of New York（纽约市立大学布鲁克林学院）
拍卖在电子商务中扮演着重要的角色，并且已经被用来解决分布式计算中的问题。设计有效的拍卖机制的自动化方法有助于减轻传统博弈论分析方法的负担，并有助于在可能的拍卖机制的大空间中搜索。提出了一种双向拍卖领域的自动机制设计方法。我们描述了一个新的参数化空间的双向拍卖，然后介绍了一种进化搜索方法，搜索这个空间的参数。该方法使用TAC市场设计游戏的框架评估拍卖机制，并使用强化学习将该游戏中市场的表现与其组成部分联系起来。实验表明，我们使用这种方法发现的最强机制不仅赢得了市场设计游戏对已知的，强大的对手，而且还表现出理想的经济属性时，他们在孤立运行。
2010-02-08 cs.AI cs.GT cs.MA
Automatic Playtesting for Game Parameter Tuning via Active Learning
Georgia Institute of Technology（佐治亚理工学院）
游戏设计师在迭代改进游戏时，使用人类游戏测试来收集关于游戏设计元素的反馈。然而，游戏测试是昂贵的：必须招募人类测试人员，游戏测试结果必须汇总和解释，游戏设计的变化必须从这些结果中推断出来。自动化的方法能减少这种费用吗？我们展示了如何主动学习技术可以正式和自动化的一个子集的游戏测试目标。具体来说，我们专注于低层次的参数调整所需的平衡游戏，一旦机制已经选定。通过一个案例研究的射击游戏，我们证明了有效的主动学习，以减少量的playtesting需要选择最佳的一组游戏参数为两类（正式）的设计目标。这项工作开辟了额外的方法，以减少对各种相关的设计问题进行游戏测试的人类负担的潜力。
2019-08-04 cs.AI
On Automating Video Game Regression Testing by Planning and Learning
Filuta AI, Inc.（Filuta AI 公司）
本文提出利用自动规划与增量动作模型学习技术，通过游戏日志维护PDDL形式化模型，实现电子游戏回归测试自动化，并以Unity教程角色扮演游戏为例验证了方法的可行性。
2024-04-02 cs.AI cs.HC
Automatic Game Design via Mechanic Generation
Georgia Institute of Technology（佐治亚理工学院）
游戏设计通常以游戏机制为中心--控制游戏逻辑发展的规则。我们寻求开发一种生成计算机游戏的智能系统。作为实现这一目标的第一步，我们提出了一个可组合的和跨域的游戏机制表示，从人工智能规划动作表示。我们使用一个约束求解器来生成力学受设计要求的形式，这些力学-他们在游戏中做什么。一个计划者会获取一组生成的机制，并测试这些机制是否满足可玩性要求--控制机制在游戏中如何影响玩家行为。我们展示了我们的系统建模和生成机制的角色扮演游戏，平台游戏，并结合角色扮演平台游戏。
2019-08-04 cs.AI
Toward Game Level Generation from Gameplay Videos
Georgia Institute of Technology（佐治亚理工学院）
生成计算机游戏内容的算法需要游戏设计知识。我们提出了一种方法来自动学习游戏设计知识的水平设计，从游戏视频。我们进一步展示了如何获得的设计知识可以用来生成部分的游戏水平。我们的方法包括解析人们玩游戏的视频来检测精灵模式的出现，并利用机器学习来构建精灵放置的概率模型。我们展示了如何丰富的游戏设计信息可以自动解析游戏视频，并表示为一组生成的概率模型。我们使用超级马里奥兄弟作为概念验证。我们评估我们的方法上的可玩性和风格的相似性，在游戏视频中表示的原始水平的措施。
2016-02-23 cs.AI
Outer-Learning Framework for Playing Multi-Player Trick-Taking Card Games: A Case Study in Skat
Charles University Prague（查尔斯大学普拉格）
本文提出了一种外学习框架，通过扩展人类游戏数据库与自我玩AI游戏的数据，提升卡牌游戏预测准确性，并在斯卡特游戏中验证了其在决策支持方面的有效性。
2025-12-17 cs.AI
A Controllable Co-Creative Agent for Game System Design
Georgia Institute of Technology（佐治亚理工学院）
针对游戏共创系统局限于特定类型的问题，提出一种基于类状态机组件和资源流的可控共创智能体，通过可控指标、设计评估器及进化设计平衡器与生成器，实现广泛适用的游戏系统设计并支持人类控制。
2023-08-04 cs.AI
CriticaLLM: Using LLMs as Autonomous Game Master for Tabletop Role-Playing Games
UCLouvain（天主教鲁汶大学）
本研究提出了一款名为CriticaLLM的全自动游戏主持人框架，通过四种不同规模的LLM评估其运行桌面角色扮演游戏的能力，结果显示该框架是运行此类游戏的有前景方案。
2026-10-16 cs.AI
Say "Sul Sul!" to SimSim, A Sims-Inspired Platform for Sandbox Game AI
Tandon School of Engineering（坦登工程学院）；New York University（纽约大学）
本文提出了在生活模拟策略类游戏The Sims中的环境设计，作为测试发散搜索算法的新平台和挑战。在这个领域，其中包括一个最小的可行性标准，目标是提供一个房子的对象，满足模拟代理的物理需求。重要的是，玩家（无论是人类还是自动化）可以使用的大量对象为底层设计问题提供了各种各样的解决方案。在一个新的开源模拟器SimSim的实证研究调查的能力，新颖的进化算法，有效地产生可行的环境设计。
2020-08-25 cs.AI
The Ink Splotch Effect: A Case Study on ChatGPT as a Co-Creative Game Designer
New York University（纽约大学）
本文以“墨渍”灵感法为框架，通过三款不同类型原型游戏的盲测用户研究，评估ChatGPT在游戏设计决策与创意协作中的价值与局限。
2024-03-04 cs.AI
Monte-Carlo Tree Search for Simulation-based Strategy Analysis
Georgia Institute of Technology（佐治亚理工学院）
游戏通常被设计成以期望的方式塑造玩家行为;然而，设计决策如何影响游戏中的行为空间可能尚不清楚。设计师通常通过人类游戏测试来探索这个空间，这可能是耗时的，并且在耗尽可能的行为空间方面效果有限。在本文中，我们提出了使用自动规划代理人来模拟人类的不同技能水平，以产生游戏的可玩性。然后，可以从这些游戏数据中收集数据，以评估当前的游戏设计并确定其潜在的缺陷。我们在两个游戏中展示了这种技术：流行的文字游戏拼字游戏和我们自己设计的名为Cardonomicon的收藏卡片游戏。使用这些案例研究，我们展示了如何使用模拟代理模型的人类不同的技能水平，使我们能够提取指标来描述游戏的平衡（在拼字游戏的情况下）和突出潜在的设计缺陷（在Cardonomicon的情况下）。
2019-08-04 cs.AI
TGLD: A Trust-Aware Game-Theoretic Lane-Changing Decision Framework for Automated Vehicles in Heterogeneous Traffic
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
针对异构交通中现有换道框架忽略人类驾驶车辆动态信任水平的问题，提出信任感知博弈论换道决策（TGLD）框架，通过多车辆联盟博弈与在线信任评估引导自动驾驶车辆选择情境自适应的合作策略，实验证明该方法显著提升换道效率并保障安全。
2025-07-14 cs.AI cs.RO cs.SY
Predicting Game Engagement and Difficulty Using AI Players
Aalto University（阿尔托大学）；Rovio Entertainment（罗维奥娱乐公司）
本文提出了一种新的方法来自动播放测试人类玩家的行为和经验的预测。之前已经证明，深度强化学习（DRL）游戏代理可以预测游戏难度和玩家参与度，可操作为平均通过率和流失率。我们改进了这种方法，通过增强DRL与蒙特卡罗树搜索（MCTS）。我们还激励增强选择策略的预测功能，基于观察到的人工智能智能体的最佳情况下的性能可以产生更强的相关性与人类数据比代理的平均性能。这两个增加一致提高预测精度，和DRL增强MCTS优于DRL和香草MCTS在最难的水平。我们的结论是，通过自动播放测试的球员建模可以受益于DRL和MCTS相结合。此外，如果人工智能游戏不能平均产生良好的预测，那么研究重复的最佳人工智能智能体运行的子集可能是值得的。
2021-07-26 cs.AI cs.HC
Automatic Bug Detection in LLM-Powered Text-Based Games Using LLMs
Carnegie Mellon University（卡内基梅隆大学）；Microsoft Research（微软研究院）；Salesforce Research（Salesforce研究院）；Harvard University（哈佛大学）
针对LLM驱动的文本游戏中逻辑与设计缺陷缺乏自动检测的问题，提出基于LLM的系统方法，从玩家日志自动识别缺陷，在DejaBoom!上验证有效。
2024-06-06 cs.AI cs.CL cs.HC
Automated Temporal Equilibrium Analysis: Verification and Synthesis of Multi-Player Games
Monash University（莫纳什大学）；University of Kaiserslautern（凯泽斯劳滕大学）；Sapienza University of Rome（罗马大学）；University of Oxford（牛津大学）
在多智能体系统的背景下，合理的验证问题是有关检查的时间逻辑属性将在一个系统中举行时，它的组成代理被假定为理性和战略行为，在追求个人目标。通常，这些目标被表示为相关代理希望看到满足的时间逻辑公式。不幸的是，理性验证在计算上是复杂的，并且需要专门的技术来获得实际可用的实现。在本文中，我们提出了这样一种技术。这种技术依赖于减少合理的验证问题的解决方案的一个集合的奇偶校验游戏。我们的方法已在平衡验证环境（EVE）系统中实现。EVE系统作为输入的并发/多代理系统的模型表示使用简单的反应模块语言（SRML），其中代理的目标表示为线性时序逻辑（LTL）公式，连同索赔的平衡行为的系统，也表示为LTL公式。然后，EVE可以检查LTL声明是否对系统的某些（或每个）计算有效，这些计算可能是通过代理选择纳什均衡策略而产生的;它还可以检查系统是否具有纳什均衡，并为多玩家游戏中的玩家合成个人策略。在给出了我们的基本框架之后，我们描述了我们的新技术，并证明了它的正确性。然后，我们描述了我们的EVE系统中的实现，并提出了实验结果表明，EVE表现良好，相比其他现有的工具，支持合理的验证。
2020-08-13 cs.AI cs.GT cs.LO
The Image Reconstruction Game: Drawing Common Ground Through Iterative Multimodal Dialogue
Computational Linguistics, Department of Linguistics University of Potsdam（波恩大学语言学系计算语言学部）；German Research Center for Artificial Intelligence (DFKI), Berlin（德国人工智能研究中心（DFKI）柏林）
提出图像重建游戏基准，通过多轮迭代中视觉语言模型向图像生成器发出纠正指令，使累积的共同基础直接可视化为重建图像，发现描述器是重建质量的主导因素，而生成器决定迭代改进的效果。
2026-06-01 cs.AI cs.CL cs.CV
The Automated but Risky Game: Modeling and Benchmarking Agent-to-Agent Negotiations and Transactions in Consumer Markets
Stanford University（斯坦福大学）；University of Toronto（多伦多大学）；Google DeepMind（谷歌DeepMind）；University of Southern California（南加州大学）；Massachusetts Institute of Technology（麻省理工学院）
本文构建实验框架评测多种LLM智能体在消费者市场全自动谈判与交易中的表现，发现不同智能体为用户争取的结果差异显著，且LLM行为异常可导致双方财务损失，提示用户应谨慎委托AI进行商业决策。
2025-09-20 cs.AI cs.CL cs.CY
How and Why to Manipulate Your Own Agent: On the Incentives of Users of Learning Agents
The Hebrew University of Jerusalem（希伯来大学）
自动学习代理的使用在许多在线经济应用中变得越来越普遍，例如在线拍卖和自动交易。出于这样的应用程序，本文致力于基本的建模和分析的战略情况下，用户的自动学习代理所面临的。我们考虑的战略设置，几个用户从事重复的在线互动，协助后悔最小化的学习代理，反复代表他们玩一个“游戏”。我们建议将代理动态的结果视为诱导用户之间的“元游戏”。我们主要关注的是用户是否可以在这个元游戏中受益于“操纵”自己的代理人误报他们的参数给他们。我们定义了一个通用的框架来建模和分析这些策略的用户之间的互动学习代理一般的游戏，并分析在三类游戏的用户之间诱导的均衡。我们表明，一般来说，用户有动机误报他们的参数给自己的代理，这种战略用户行为可能会导致非常不同的结果比标准分析的预期。
2023-01-03 cs.AI cs.GT cs.LG
Metagame Autobalancing for Competitive Multiplayer Games
University of York（约克大学）；Queen Mary University of London（伦敦玛丽女王大学）
自动游戏平衡通常集中在单代理场景。在本文中，我们提出了一个工具，在游戏设计过程中平衡多人游戏。我们的方法要求设计师构建一个直观的图形表示他们的元游戏目标，代表高层次的战略（或甲板，或字符类型）应该经历的相对分数。这允许定义更复杂的平衡目标，而不仅仅是简单的相等获胜机会的要求。然后，我们使用基于模拟的优化来找到满足此目标的游戏参数化，以最小化与目标图的距离。我们展示了这个工具的能力，继承从石头剪刀布的例子，并在一个更复杂的不对称格斗游戏。
2020-06-08 cs.AI cs.HC
ProxyWar: Dynamic Assessment of LLM Code Generation in Game Arenas
adelaide.edu.au（阿德莱德大学）
ProxyWar通过在动态游戏环境中评估LLM代码生成的质量，揭示了基准分数与实际性能之间的差异，为算法发现和自适应问题解决研究提供新视角。
2026-02-04 cs.AI cs.SE
