AI Learning and Conceptual Transfer in the Game of Hidden Rules
Rutgers University（罗格斯大学）；University of Southern California（南加州大学）
本研究围绕隐规则博弈（GOHR），采用基于Transformer的A2C框架，开展强化学习智能体的规则推断、表征设计等研究，为相关领域提供实验依据。
2026-08-25 cs.AI cs.LG
Software Engineering For Automated Game Design
Queen Mary University of London（伦敦玛丽女王大学）
随着我们开发更多的辅助和自动化游戏设计系统，如何将这些系统集成到游戏开发工作流程中，以及需要进行多大程度的调整，变得越来越重要。在本文中，我们探讨的影响软件工程决策的能力，一个自动化的游戏设计系统，以了解游戏的代码库，生成新的游戏代码，并评估其工作。我们认为，一种新的方法，软件工程可能需要为了游戏开发人员充分受益于自动化的游戏设计。
2020-04-03 cs.AI cs.SE
RaidEnv: Exploring New Challenges in Automated Content Balancing for Boss Raid Games
本文提出RaidEnv模拟器及两个基准和评估指标，用于研究MMORPG中Boss Raid场景的自动化内容平衡，强调playtesting智能体在内容变化下的泛化能力，拓展了自动游戏平衡的研究边界。
2023-07-04 cs.AI
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
Alignment Games: A Framework for Conceptual Repair in Human-AI Collaboration
Stanford University（斯坦福大学）
本文提出对齐博弈框架，通过识别和修复人机协作中的概念错位，利用对齐动作干预情境与推理，支持任务充分的概念对齐。
2026-09-29 cs.AI cs.HC
Signature Entrenchment and Conceptual Changes in Automated Theory Repair
University of Edinburgh（爱丁堡大学）
人的信念会改变，但支撑信念的概念也会改变。最近的绑架，信念修订和概念变化（ABC）修复系统结合了几种方法，从自动理论修复，扩大，合同，或改革的逻辑结构，代表人工代理的概念知识。在本文中，我们专注于概念的变化：修复不仅属于逻辑概念，如什么动物可以飞，而且概念本身，这样的鸟类可以分为不会飞的鸟和飞鸟，通过改变签名的逻辑理论用来代表他们。我们提供了一种方法，用于自动评估在一个Datasheet理论的签名的防御，以约束自动化的理论修复简洁和直观的结果。形式上，签名巩固测量用于表达概念知识的每个逻辑语言元素的推理贡献，即，谓词和参数，对可能的修复进行排序，以保留有价值的逻辑概念，并拒绝冗余或不可信的替代方案。这种定量测量的签名防御提供了一个指导的概念变化，我们的目标是对比与人类的判断概念防御在未来的工作中的可行性。
2022-01-20 cs.AI cs.CL
A Preliminary Study on a Conceptual Game Feature Generation and Recommendation System
BITS Pilani K.K. Birla Goa Campus（博拉理工学院K.K.比拉拉果阿校区）；University of Malta（马耳他大学）
本研究提出一种基于文本提示生成游戏功能建议的系统，通过小型GLoVe模型提取相似游戏特征后经生成器输出新功能，实验显示微调GPT-2在部分游戏中优于人工设计，该系统可服务于概念级游戏设计辅助。
2023-08-16 cs.AI cs.CL cs.IR
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
Intelligent Generation of Graphical Game Assets: A Conceptual Framework and Systematic Review of the State of the Art
Brunel University London（伦敦布鲁内尔大学）
本文针对游戏图形资产程序化生成方法缺乏系统性梳理的问题，通过综述200篇文献并提出一个概念框架，全面总结了游戏内外图形资产生成的最新技术与方法。
2023-11-16 cs.AI cs.GR
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
A Data-to-Product Multimodal Conceptual Framework to Achieve Automated Software Evolution for Context-rich Intelligent Applications
Charleston Southern University（查尔斯顿南方大学）
针对上下文丰富智能应用，提出一个从数据到产品的多模态概念框架，并开发3S模型以促进自动化软件演进，为实践提供指南。
2024-10-09 cs.AI cs.SE
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
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
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
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
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
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
Aligned but Not Partner-Specific: How Multimodal LLM Agents Succeed in Reference Games Without Forming Conceptual Pacts
National Taiwan University（国立台湾大学）；Max Planck Institute for Psycholinguistics（马克斯·普朗克心理语言学研究所）；Radboud University（拉德堡德大学）；Institut Jean Nicod（让·尼科研究所）
通过约束伪对基线方法，区分多模态LLM智能体在参考游戏中的标签对齐是源于伙伴特定交互还是共享任务词汇，发现智能体通过冗长描述而非压缩表达实现协调。
2026-10-02 cs.AI cs.CL
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
Probabilistic Conceptual Network: A Belief Representation Scheme for Utility-Based Categorization
Stanford University（斯坦福大学）
概率概念网络是一种知识表示方案，用于基于效用的分类中的概念推理和分类抽象。该方案结合了人工智能的抽象和继承层次的形式主义，和决策分析的概率网络。它提供了一个表示概念知识、层次知识和不确定性的通用框架。它促进了在不同抽象层次上动态构建分类决策模型。该计划被应用到一个自动化加工问题的推理机器的状态在不同的抽象层次，以支持行动，以保持竞争力的工厂。
2013-03-06 cs.AI
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 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 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 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
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
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
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
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
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
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
Automated Formalization via Conceptual Retrieval-Augmented LLMs
School of Computer Science and Engineering, Northeastern University, Shenyang 110819, China（东北大学计算机科学与工程学院，沈阳 110819，中国）；Ant Research, Ant Group, Beijing, China（蚂蚁集团北京蚂蚁研究院，中国）；Department of Computer Science, Aalborg University, Denmark（丹麦奥尔堡大学计算机科学系）；Software College, Northeastern University, Shenyang 110819, China（东北大学软件学院，沈阳 110819，中国）
本文提出CRAMF框架，通过检索数学概念定义提升LLM形式化能力，解决模型幻觉和语义鸿沟问题，在三个基准测试中实现显著提升。
2026-03-21 cs.AI 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
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
Intelligent Decision Assistance Versus Automated Decision-Making: Enhancing Knowledge Work Through Explainable Artificial Intelligence
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
虽然基于人工智能的自动化决策的最新进展为企业和社会带来了许多好处，但也付出了代价。长期以来，人们一直知道，高水平的决策自动化可能会导致各种缺点，例如自动化偏见和技能下降。特别是，知识工作者的去技能化是一个主要问题，因为他们也是应该训练、挑战和发展人工智能的人。为了解决这个问题，我们概念化一类新的DSS，即智能决策辅助（IDA）的基础上两个不同的研究流- DSS和自动化的文献综述。IDA通过自动化决策支持知识工作者，而不影响他们。具体来说，我们建议使用可解释AI（XAI）技术，同时保留具体的AI建议。为了检验这一概念，我们开发假设的影响，IDA和文献中的实证研究的基础上，其有效性提供了第一个证据。
2021-09-28 cs.AI cs.HC
Towards Developing Socially Compliant Automated Vehicles: Advances, Expert Insights, and A Conceptual Framework
Delft University of Technology（代尔夫特理工大学）；RWTH Aachen University（亚琛工业大学）
本研究通过首次范围综述和专家访谈评估开发社会兼容自动驾驶车辆（SCAVs）的现状，并提出并验证了一个概念框架，以促进自动驾驶车辆无缝融入混合交通环境。
2025-09-12 cs.AI cs.LG cs.MA
Is Your LLM Really Mastering the Concept? A Multi-Agent Benchmark
Beijing Normal University（北京师范大学）；Australian National University（澳大利亚国立大学）
本文提出CK-Arena，通过多智能体社交推理游戏评估大语言模型的概念理解能力，揭示模型在概念掌握上的差异性。
2026-02-11 cs.AI cs.CL
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
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
Algebraic Net Class Rewriting Systems, Syntax and Semantics for Knowledge Representation and Automated Problem Solving
Asia e University（亚洲电子大学）
本研究的目的是建立自动化问题解决的一般框架，通过接近任务的通用代数引入知识的实现广义自由代数为基础的网络，图形与胶合形式连接的内，外边缘的节点。网络进行转换，在概念层面上的类型明智的分化干预网重写系统分散的问题，以抽象的部分，匹配被确定的替代关系。实现的概念网集构成全等类。新的结果得到建设内的问题解决系统的解决方案算法推导出并行与其他候选人适用于相同的网络类。通过应用网络重写系统的网络类全等商代数构成的并行转换器路径建立和表现类重写包括所有的解决方案候选人，只要产生的网络是在预期的语言容易接受的网络自动机。
2013-05-24 cs.AI cs.IT math.IT
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
When LLMs Play the Telephone Game: Cultural Attractors as Conceptual Tools to Evaluate LLMs in Multi-turn Settings
Inria（法国国家信息与自动化研究所）；Université de Bordeaux（波尔多大学）；MIT（麻省理工学院）；Computational Cognitive Science Lab（计算认知科学实验室）；University of California, Berkeley（加州大学伯克利分校）；Institute for Advanced Study in Toulouse（图卢兹高级研究学院）
本文通过电话游戏实验揭示LLM多轮交互中的信息失真与吸引子现象，探讨初始文本、指令等对吸引子效应的影响。
2026-01-29 cs.AI cs.MA physics.soc-ph
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
Automated Synthesis of Steady-State Continuous Processes using Reinforcement Learning
Technical University of Munich（慕尼黑工业大学）；Weihenstephan-Triesdorf University of Applied Sciences（魏恩施蒂芬-特里斯多夫应用科学大学）
流程图自动综合是计算机辅助过程工程的一个重要领域。目前的工作演示了如何强化学习可以用于自动化流程图综合没有任何的概念设计的先验知识的知识。该环境由包含所有物理知识的稳态流程图模拟器组成。代理被训练为采取离散的动作，并顺序地建立解决给定过程问题的流程图。提出了一种新的方法SynGameZero，以确保在复杂问题中的良好的勘探计划。其中，流程图合成被建模为两个竞争的玩家的游戏。智能体在训练过程中与自己进行这种游戏，它由一个人工神经网络和一个用于前瞻性规划的树搜索组成。该方法已成功地应用于四元体系的反应精馏过程。
2021-03-15 cs.AI cs.CE cs.LG
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
