Synergizing Code Coverage and Gameplay Intent: Coverage-Aware Game Playtesting with LLM-Guided Reinforcement Learning
College of Computer and Information Science, Southwest University（西南大学计算机与信息科学学院）；College of Science and Technology, Nihon University（日本立命馆大学科学技术学院）；Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）；Waseda Institute for Advanced Study, Waseda University（早稻田大学高级研究机构）
SMART框架通过LLM引导强化学习，结合结构验证与功能验证，提升游戏更新测试的覆盖率和任务完成率。
2025-12-14 cs.AI cs.SE
Exploring Gameplay With AI Agents
New York University（纽约大学）；Game Innovation Lab（游戏创新实验室）；Electronic Arts（美国艺电公司）
测试游戏的过程是主观的，昂贵的和不完整的。在本文中，我们提出了一种游戏测试的方法，探索游戏空间与自动代理和收集数据来回答设计师提出的问题。这种方法不是让代理与实际的游戏客户端交互，而是将游戏的基本机制重新创建为一个单独的系统。我们的代理能够在几分钟内玩什么将采取测试人员天的有机游戏。对数千个游戏模拟的分析揭示了游戏行为的不平衡，确定了无关紧要的奖励，并评估了可选战略选择的有效性。我们的测试案例游戏《模拟人生移动版》最近发布，这里显示的研究结果影响了设计更改，从而改善了玩家体验。
2018-11-16 cs.AI cs.HC
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
Robo-Saber: Generating and Simulating Virtual Reality Players
Aalto University（阿alto大学）；University of California, Berkeley（加州大学伯克利分校）；NVIDIA；Simon Fraser University（西蒙弗雷泽大学）
Robo-Saber通过生成和模拟虚拟现实玩家行为，为VR游戏测试提供了一种基于风格范例和数据集训练的运动生成系统。
2026-09-30 cs.AI cs.GR cs.HC
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
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
Evolutionary Tabletop Game Design: A Case Study in the Risk Game
Universidade Federal do Rio Grande do Sul（南里奥格兰德联邦大学）
本研究针对原有演化游戏设计方法无法覆盖复杂桌面游戏的问题，提出结合遗传算法、规则智能体与多质量标准的扩展方法，以《Risk》为案例生成了更短更平衡的游戏变体，也指出了方法的局限性。
2024-02-01 cs.AI
On Multi-Agent Learning in Team Sports Games
Electronic Arts（美国艺电公司）
近年来，强化学习已经成功地解决了从雅达利到星际争霸II的视频游戏。然而，端到端的无模型强化学习（RL）不是样本有效的，并且需要大量的计算资源来实现超人水平的性能。无模型RL也不太可能在复杂视频游戏的开发周期中产生用于游戏测试和游戏AI的类人代理。在本文中，我们提出了一个分层的方法来训练代理的目标是实现类人的风格和高技能水平的团队运动游戏。虽然这仍在进行中，但我们的初步结果表明，所提出的方法有望解决所提出的多智能体学习问题。
2019-06-25 cs.AI cs.HC cs.LG
Taking the Scenic Route: Automatic Exploration for Videogames
Design Reasoning Lab（设计推理实验室）；University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校）
机器游戏测试工具和游戏时刻搜索引擎如果要报告或索引可能的游戏中最有趣的时刻，就需要接触游戏状态空间的多样性。与此同时，移动应用程序分发服务希望快速确定新上传的游戏是否适合发布。访问游戏中可达状态的语义映射将使这些应用程序能够进行有效的推理。然而，人类游戏数据相对于其提供的游戏的覆盖范围而言是昂贵的。我们表明，现成的自动探索策略可以探索与人类的游戏在同一时间尺度上的有效性。我们贡献的通用方法量化探索质量作为时间的函数，并展示了我们的度量的几个基本技术和人类玩家的商业游戏的集合从多个游戏平台（从雅达利2600到任天堂64）。强调的多样性达到的状态和提取的语义图，这项工作的重点是找到一个行为政策或优化游戏得分在大多数自动玩游戏的研究，使生产力的对比。
2018-12-07 cs.AI cs.HC
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
Generating Personas for Games with Multimodal Adversarial Imitation Learning
Electronic Arts（美国艺电）
针对强化学习难以建模多样人类游戏风格的问题，提出MultiGAIL，通过辅助参数和多判别器奖励模型在单智能体中生成多种人设策略，并在连续与离散动作环境中验证有效。
2023-08-15 cs.AI cs.LG
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
Automatic Generation of Board Game Manuals
Maastricht University（马斯特里赫特大学）
在本文中，我们提出了一个过程中自动生成手册的棋盘游戏中的Ludii一般游戏系统。这个过程需要解决许多不同的子任务，例如Ludii游戏描述的英文翻译，移动可视化，突出显示获胜移动，策略解释等。然后将这些方面结合起来，为任何给定的游戏创建一个完整的手册。本手册旨在为游戏的规则和机制提供更直观的解释，特别是对于不太熟悉Ludii游戏描述语言和语法的玩家。
2021-09-20 cs.AI
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
"Press Space to Fire": Automatic Video Game Tutorial Generation
Tandon School of Engineering, New York University（纽约大学坦登工程学院）
我们提出的问题的教程生成的游戏，即生成教程，可以教玩家玩游戏，作为一个AI问题。这个问题可以通过几种方式来解决，包括生成游戏规则的自然语言描述，生成指导性的游戏关卡，以及生成如何使用以类似人类的方式玩游戏的代理来玩游戏的演示。我们进一步认为，通用视频游戏AI框架为解决这个问题提供了一个有用的测试平台。
2018-05-30 cs.AI
A2Z GameSpec-Bench: How Faithfully Can Coding Agents Generate Games from Game Design Specifications?
KRAFTON（魁匠团）；KAIST（韩国科学技术院）；Korea National University of Arts（韩国艺术综合大学）
提出A2Z GameSpec-Bench基准，含100个长篇GDD，通过依赖感知契约和测试策略评估编码智能体生成游戏的忠实度，发现现有智能体难以满足相互依赖需求，特定需求反馈可提升10.9%忠实度。
2026-10-02 cs.AI cs.CV
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
Mortar: Evolving Mechanics for Automatic Game Design
University of the Witwatersrand（沃尔特·冯·斯特拉特大学）；New York University（纽约大学）
Mortar通过结合质量-多样性算法和大语言模型，自主演化游戏机制，以生成多样且可玩的游戏，并提升玩家技能排序的得分。
2025-12-31 cs.AI
Automatic Critical Mechanic Discovery Using Playtraces in Video Games
New York University（纽约大学）；Northeastern University（东北大学）
我们提出了一种新的方法，自动关键机制发现的视频游戏使用的游戏描述解析和playtrace信息相结合。该方法被应用于通用视频游戏人工智能（GVG-AI）框架内的几个游戏。在用户研究中，将人类识别的机制与系统识别的关键机制进行比较，以验证人类和系统之间的一致性。研究结果表明，新方法能够以比基线更高的一致性匹配人类。我们的系统进行了进一步验证，通过比较与关键力学和香草MCTS代理$4$游戏从GVG-AI增强MCTS代理。我们新的playtrace方法显示，在所有4个测试游戏的基线上，性能有了显着的提高。所提出的方法也显示出匹配或改进的性能比旧的方法，表明playtrace信息负责更完整的关键机制发现。
2020-09-15 cs.AI
Game-Agnostic Value Functions through Automatic JSON Feature Extraction
Queen Mary University of London（伦敦玛丽女王大学）
本研究提出基于JSON-Bag的游戏无关价值函数方法JSON-Bag VF，结合特征选择的JSON-Bag OSLA在6款桌面游戏上多数优于基线OSLA智能体，且特征选择是其性能的关键影响因素。
2026-09-01 cs.AI
Automatic Generation of Alternative Starting Positions for Simple Traditional Board Games
IIT Kanpur（印度理工学院坎普尔分校）；IST Austria（奥地利科学技术研究所）；Microsoft Research Redmond（微软研究院雷德蒙德分院）
井字游戏和CONNECT-4等简单棋盘游戏不仅在数学和逻辑技能的发展方面发挥着重要作用，而且在情感和社交发展方面也发挥着重要作用。在本文中，我们解决的问题，产生有针对性的起始位置，这样的游戏。这可以促进新的方法，使新手玩家掌握，也导致发现有趣的游戏变种。我们提出了一种方法，产生不同的硬度水平的球员~ $1$在一个两人的棋盘游戏的起始状态，给定的棋盘游戏的规则，所需的步骤数的球员~ $1$赢得，和两个球员的专业水平。我们的方法利用符号方法和迭代模拟来有效地搜索极大的状态空间。我们目前的实验结果，包括发现几个简单的基于网格的棋盘游戏的不同硬度水平的状态。对于像$4 \times 4$ Tic-Tac-Toe这样的标准游戏变体，这种状态的存在打开了要玩的新游戏，这些新游戏从未被玩过，因为默认开始状态是严重偏置的。
2014-11-14 cs.AI
The N-Tuple Bandit Evolutionary Algorithm for Automatic Game Improvement
University of Essex（埃塞克斯大学）
本文描述了一种新的进化算法，特别适合于AI辅助游戏设计。本文采用的方法是使用观察的人工智能智能体玩游戏，以估计游戏的质量。一些最好的代理是通用视频游戏人工智能智能体，因为它们可以直接部署在新游戏上，而无需特定于游戏的调优;这些代理往往基于随机算法，这些算法给出了鲁棒但有噪声的结果，并且运行起来往往很昂贵。这激发了本文的主要贡献：新的N元组Bandit进化算法的发展，其中一个模型是用来估计未采样点的适应度和一个强盗的方法是用来平衡探索和开发的搜索空间。优化太空战斗游戏变体的初步结果表明，该算法提供了比随机突变登山者和有偏突变变体更强大的结果，这些变体本身在一系列问题上具有竞争力的性能。人类玩家也对进化游戏的性质进行了主观观察，这表明他们对N-Tuple算法生成的游戏有偏好。
2017-03-18 cs.AI
Automatic Mapping of NES Games with Mappy
University of California at Santa Cruz（加州大学圣克鲁兹分校）
游戏地图对于人类玩家、一般的游戏代理和数据驱动的过程内容生成非常有用。这些地图通常是通过手工组装手工创建的游戏关卡截图制作的。除了繁琐和容易出错之外，这种方法还需要为每个新游戏和要映射的关卡付出额外的努力。这些结果对于人类或计算系统来说仍然很难利用，将视觉外观置于语义信息之上。我们描述了一个软件系统，地图，产生一个很好的近似的链接地图的房间给定的任天堂娱乐系统游戏程序和一个序列的按钮输入探索它的世界。除了可视化地图，Mappy还输出瓦片网格（以及它们如何随时间变化）、非瓦片对象的位置、可能实际上是同一个房间的类似房间的集群，以及这些房间之间的一组链接。我们相信这是通过机器学习和其他应用程序为PCG开发更大的高质量语义注释地图语料库的必要一步。
2017-07-12 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
Valerant: An Automatic Navigable Game Map Generator via Action-Conditioned World Model Exploration
Case Western Reserve University（凯斯西储大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
Valerant提出无需训练框架，将预训练动作条件世界模型与SLAM重建结合，从单张图像自动生成可导航3D游戏地图，减少人工创建成本。
2026-09-24 cs.AI
Player-Centered AI for Automatic Game Personalization: Open Problems
Drexel University（德雷塞尔大学）；Google（谷歌）
计算机游戏代表了下一代个性化数字应用的理想研究领域。本文提出了一个以玩家为中心的游戏个性化AI框架，作为对常用的以系统为中心的方法的补充。基于行为结构理论，本文勾勒出当前游戏个性化研究的图景，并确定了8个需要进一步研究的开放性问题。这些问题需要技术进步和玩家体验设计之间的深度合作。
2021-02-15 cs.AI cs.HC
CCPT: Automatic Gameplay Testing and Validation with Curiosity-Conditioned Proximal Trajectories
SEED - Electronic Arts (EA)（SEED - 美国艺电公司（EA））；Università degli Studi di Firenze（佛罗伦萨大学）
本文提出了一种新的深度强化学习算法，用于在复杂的3D导航环境中自动分析和检测游戏问题。好奇心条件下的近端轨迹（CCPT）方法结合好奇心和模仿学习训练代理，有条不紊地探索从专家演示中获得的已知轨迹附近。我们展示了CCPT如何探索复杂的环境，发现游戏问题和设计过程中的疏忽，并直接向游戏设计师识别和突出它们。我们进一步证明了该算法的有效性，在一个新的三维导航环境，反映了现代AAA视频游戏的复杂性。我们的研究结果显示了更高的覆盖率和错误发现比基线方法，因此它可以提供一个有价值的工具，游戏设计师自动识别游戏设计中的问题。
2022-02-21 cs.AI cs.LG
Mimicking Playstyle by Adapting Parameterized Behavior Trees in RTS Games
University of Opole（奥波莱大学）
行为树（BT）的发现影响了游戏中的人工智能（AI）领域，它提供了非玩家角色（NPC）逻辑的灵活和自然的表示，可由游戏设计师管理。尽管如此，越来越多的压力对越来越好的NPC AI代理人迫使手工制作的BT的复杂性变得难以驾驭和容易出错。另一方面，虽然许多刚刚推出的在线游戏都面临玩家短缺的问题，但具有广泛功能的AI的存在可能会增加玩家的保留率。因此，为了应对上述挑战，该领域的最新趋势集中在自动创建AI代理：从深度学习技术到BT的组合（约束）优化和进化。在本文中，我们提出了一种新的方法来半自动构建人工智能代理，模仿和推广给定的人类游戏，通过适应和调整专家创建的BT源和BT游戏之间的相似性度量。为此，我们制定了混合离散-连续优化问题，其中拓扑和功能的变化的BT反映在数值变量，并构建了一个专用的混合元启发式。在一个原型实时策略游戏中，实验验证了该方法的性能。实验结果证实了所提出的方法的有效性和前景，这是要应用在商业游戏。
2021-11-23 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
Towards Automatic Design of Factorio Blueprints
University of St Andrews（圣安德鲁斯大学）
本研究针对《异星工厂》蓝图最优设计这一融合多类经典问题的组合优化难题，探索了约束模型在平衡正确性、最优性与性能的前提下优化游戏蓝图的可行性，提出了全新的挑战性研究问题。
2023-10-02 cs.AI
Automatic difficulty management and testing in games using a framework based on behavior trees and genetic algorithms
The Research Institute of the University of Bucharest (ICUB)（布加勒斯特大学研究所（ICUB））；University of Bucharest（布加勒斯特大学）；Ubisoft Entertainment（育碧娱乐）
智能体行为的多样性对于视频游戏和虚拟环境的质量来说是一个重要的课题。为具有不同技能的用户提供最吸引人的体验是一项艰巨的任务，通常需要大量的人工努力来调优现有代码。在处理自适应难度系统时，这可能会变得更加困难。我们的论文的主要目的是创建一个框架，可以自动创建不同的难度类和足够的多样性的游戏代理的行为。与此同时，第二个目的是创建更多的自动化测试，以更少的人力来显示源代码中的缺陷或可能的逻辑漏洞。
2019-09-10 cs.AI cs.SE
Demonstrating the Feasibility of Automatic Game Balancing
游戏平衡是（电脑）游戏设计过程中的一个重要部分，在这个过程中，设计师会调整游戏原型，使最终的游戏尽可能具有娱乐性。在工业界，对游戏的评估通常是基于对人类玩家进行的昂贵的游戏测试。它建议自己使用代理模型来自动化这个过程，以预测游戏和结果。在本文中，自动平衡使用模拟和甲板为基础的目标的可行性进行了研究，为纸牌游戏顶王牌。此外，一个多目标的方法的必要性断言的比较与唯一已知的（单目标）的方法。我们应用多目标进化算法来获得优化目标的甲板，例如，赢率和平均技巧数，以表达公平和顶级王牌游戏的兴奋。结果进行了比较，从甲板上公布的顶王牌甲板使用基于模拟的目标。证明了在这些目标方面产生更好或至少与已发布的顶王牌甲板一样好的甲板的可能性。我们的研究结果表明，自动平衡与所提出的方法是可行的，即使是更复杂的游戏，如实时战略游戏。
2016-03-11 cs.AI cs.HC cs.NE
ScriptDoctor: Automatic Generation of PuzzleScript Games via Large Language Models and Tree Search
New York University（纽约大学）；University of Malta（马耳他大学）；University of the Witwatersrand（沃土大学）；Microsoft（微软）
本文提出 ScriptDoctor，一个结合 LLM、编译反馈与搜索智能体游玩测试的迭代系统，用于在 PuzzleScript 中自动生成并验证可玩的益智游戏。
2025-06-06 cs.AI cs.HC
Automatic Bug Detection in Games using LSTM Networks
Ontario Tech University（安大略理工大学）
本研究提出一种基于LSTM网络的游戏感知缺陷检测框架，通过异常检测识别游戏缺陷并聚类分类，经两款FPS游戏验证有效。
2023-12-13 cs.AI cs.LG cs.SE
Mech-Elites: Illuminating the Mechanic Space of GVGAI
New York University（纽约大学）
本文介绍了一种全自动机械照明方法，用于一般电子游戏关卡的生成。使用约束MAP-Elites算法和GVG-AI框架，该系统生成最简单的基于瓦片的关卡，这些关卡包含特定的游戏机制集，并满足可玩性约束。我们应用这种方法来照亮GVG-AI中的$4$不同游戏的机械空间：塞尔达，Solarfox，植物和RealPortals。
2022-08-24 cs.AI
Regular Games -- an Automata-Based General Game Playing Language
提出兼具计算效率与设计便利性的通用游戏博弈系统正则游戏（RG），以有限自动机定义规则的低级语言为核心，生成前向模型速度快于现有系统，还含高级设计语言及配套生态工具。
2025-11-13 cs.AI
Towards Automatic Soccer Commentary Generation with Knowledge-Enhanced Visual Reasoning
Department of Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系）；BNRist, Tsinghua University（清华大学北京信息科学与技术国家研究中心）
本文提出GameSight模型，通过视觉推理与知识增强生成更准确的足球解说，提升解说质量与上下文相关性。
2026-03-31 cs.AI cs.MM
Evolving Game Skill-Depth using General Video Game AI Agents
University of Essex（埃塞克斯大学）；New York University（纽约大学）
大多数游戏具有或者可以被概括为具有可以变化的多个参数，以便提供导致非常不同的玩家体验的游戏实例。可能的参数设置的空间可以被看作是一个搜索空间，因此我们可以使用随机突变爬山算法或其他搜索方法来找到诱导最佳游戏的参数设置。这种方法最困难的部分之一是定义一个合适的适应度函数。在本文中，我们探讨了使用一个日益增长的一般视频游戏人工智能智能体进行自动播放测试的可能性。这使得基于估计游戏的技能深度的非常通用的游戏评估方法成为可能。基于代理的播放测试是计算昂贵的，所以我们比较两个简单但有效的优化算法：随机突变爬山和多臂强盗随机突变爬山。对于测试游戏，我们使用太空战斗游戏，以提供模拟速度和潜在技能深度之间的适当平衡。结果表明，这两种算法都能够快速发展的游戏版本具有显着的技能深度，但选择一个合适的reserve数是必不可少的，以打击噪声的影响。
2017-03-18 cs.AI
Collaborative Storytelling and LLM: A Linguistic Analysis of Automatically-Generated Role-Playing Game Sessions
Università degli Studi di Salerno（萨勒诺大学）
本研究通过语言学分析，比较LLM生成的RPG会话与人类对话、人类RPG记录及书籍的词汇和句法特征，发现LLM文本具有独特模式，揭示了训练对其表达方式和叙事能力的影响。
2025-03-26 cs.AI cs.CL
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
Automatic Player Identification in Dota 2
University of Southampton（南安普顿大学）；University of St Andrews（圣安德鲁斯大学）
Dota 2是一款流行的多人在线视频游戏。像许多在线游戏一样，玩家大多是匿名的，只与在线帐户绑定，这些帐户可以很容易地获得，出售和在多人之间共享。这使得跟踪或禁止在线表现出不受欢迎行为的玩家变得困难。在本文中，我们提出了一个机器学习的方法来识别玩家的基础上，他们如何玩游戏的“数字指纹”，而不是帐户。我们使用鼠标移动，游戏中的统计数据和游戏策略从比赛回放中提取的数据，并表明为了获得最佳结果，所有这些都是必要的。我们能够获得95%的预测准确率的预测问题，如果两个不同的比赛是由同一个球员。
2020-08-27 cs.AI cs.HC cs.LG
AutoGameUI: Constructing High-Fidelity GameUI via Multimodal Correspondence Matching
AutoGameUI通过多模态对应匹配自动构建高保真的游戏界面，提升了游戏界面设计的效率和一致性。
2026-01-27 cs.AI cs.HC
SimClass: A Classroom Speech Dataset Generated via Game Engine Simulation For Automatic Speech Recognition Research
College of Education（教育学院）
针对课堂语音与噪声数据稀缺问题，本文提出基于游戏引擎合成课堂噪声的可扩展方法，并构建 SimClass 数据集，实验表明其可有效近似真实课堂语音。
2025-06-10 cs.AI cs.CL cs.SD
Player co-modelling in a strategy board game: discovering how to play fast
在本文中，我们用一个2人策略棋盘游戏进行实验，其中使用强化学习和神经网络来进化游戏模型。与完全自主的游戏相比，这些模型的发展是为了加快基于人类参与的自动游戏开发，其复杂程度和密度各不相同。实验结果表明，在赢得比赛的能力和快速完成比赛的能力之间存在着明确而可衡量的联系，同时也证明了人类参与的最低水平，超过这个水平就不会真正发生学习。
2006-11-30 cs.AI cs.LG
Self-adaptive PSRO: Towards an Automatic Population-based Game Solver
Nanyang Technological University（南洋理工大学）；The Hong Kong Polytechnic University（香港理工大学）；University of Nebraska-Lincoln（内布拉斯加大学林肯分校）
针对PSRO框架依赖手工调参的应用瓶颈，研究提出参数化PSRO及基于Transformer离线超参数优化的自适应PSRO（SPSRO），在多种两人零和博弈上表现优于基线方法。
2024-04-17 cs.AI cs.GT cs.MA
GAN-Aimbots: Using Machine Learning for Cheating in First Person Shooters
University of Eastern Finland（东芬兰大学）；National University of Singapore（新加坡国立大学）
与作弊者一起玩游戏并不有趣，在拥有数亿玩家的数十亿美元的视频游戏行业中，游戏开发商旨在通过防止作弊来提高安全性，从而提高游戏的用户体验。传统的基于软件的方法和统计系统在防止作弊方面都取得了成功，但最近在自动生成内容（如图像或语音）方面的进展威胁到了视频游戏行业;它们可能被用来生成与合法人类玩家无法区分的人工游戏。为了更好地理解这种威胁，我们首先回顾了多人视频游戏作弊的现状，然后继续构建概念验证方法GAN-Aimbot。通过从第一人称射击游戏中的各个玩家收集数据，我们表明该方法提高了玩家的性能，同时保持隐藏的自动和手动保护机制。通过分享这项工作，我们希望提高人们对这个问题的认识，并鼓励进一步研究保护游戏社区。
2022-05-14 cs.AI cs.CR cs.LG
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
Design of Emergent and Adaptive Virtual Players in a War RTS Game
Universidad de Málaga（马拉加大学）
基本上，在（单人）战争实时的战略（wRTS）游戏中，人类玩家实时的控制一支由许多士兵组成的军队，她的目标是摧毁对手的资产，其中对手是虚拟的（即，非人类玩家控制的）玩家，其通常由预编程的决策脚本组成。这些脚本通常与一些众所周知的问题相关联（例如，可预测性、非理性、重复性行为和人为愚蠢的感觉等）。本文描述了一种自动生成适应玩家技能的虚拟玩家的方法，首先建立玩家在游戏中实时的行为模型，然后在两个游戏之间通过该模型进一步演化虚拟玩家。本文还显示了一个球员wRTS游戏，专门为实验构建的初步结果。
2012-01-15 cs.AI cs.NE
Rolling Horizon Evolutionary Algorithms for General Video Game Playing
Queen Mary University of London（伦敦玛丽女王大学）；Microsoft Research Cambridge（微软剑桥研究院）
游戏进化算法，特别是滚动地平线进化算法，最近在许多视频游戏中成功击败了最先进的胜率。然而，游戏中的最佳结果高度依赖于几篇论文中引入的修改和混合的特定配置，每一篇论文都为核心算法添加了额外的参数。此外，由于可能性空间已经超出了穷举搜索，因此仅从少数人类选择的组合中找到了先前公布的最佳参数。本文介绍了滚动时域进化算法的最新技术，结合文献中描述的所有修改，以及新的，一个大的结果混合。然后，我们使用参数优化器，N-Tuple Bandit进化算法，从通用视频游戏AI框架中找到20个游戏的最佳参数组合。此外，我们分析了算法的参数和一些有趣的组合，通过优化过程。最后，我们通过自动探索RHEA的大参数空间，在几个游戏上找到了新的最先进的解决方案。
2020-08-24 cs.AI cs.NE
A Data-Efficient Deep Learning Approach for Deployable Multimodal Social Robots
University of Lincoln（林肯大学）
深度监督和强化学习范式（以及其他）有可能赋予交互式多模态社交机器人自主获取技能的能力。但目前还不清楚如何将它们最好地部署在现实世界的应用程序中。作为朝着这个方向迈出的一步，我们提出了一种基于深度学习的方法，用于有效地训练人形机器人玩多模态游戏-并使用具有两个变体的“Noughts & Crosses”游戏作为案例研究。它学习感知和交互的最低要求是基于几百个示例图像，一些示例多模态对话和机器人操作的物理演示以及自动模拟。此外，我们提出了新的算法，强大的视觉游戏跟踪和竞争策略学习与高胜率，大大优于基于DQN的基线。虽然自动评估表明，所提出的方法可以很容易地扩展到具有竞争性机器人行为的新游戏，但130名人类与Pepper机器人一起玩的人类评估证实，成功玩游戏需要高度准确的视觉感知。
2019-08-27 cs.AI cs.LG cs.RO
It Takes Four to Tango: Multiagent Selfplay for Automatic Curriculum Generation
UC Berkeley（加州大学伯克利分校）；UCLA（加州大学洛杉矶分校）
我们有兴趣训练通用的强化学习代理，可以解决各种各样的目标。有效地训练这样的代理需要自动生成目标课程。这是具有挑战性的，因为它需要（a）探索难度增加的目标，同时确保代理（b）以样本有效的方式暴露于不同的目标集合，并且（c）不会灾难性地忘记先前解决的目标。我们提出了课程自我发挥（CuSP），自动目标生成框架，旨在满足这些desiderata凭借一个多人游戏与四个代理。我们扩展了PAIRED中的非对称课程学习（Dennis等人，2020）到一个对称的游戏，仔细平衡两个政策外的学生学习者和两个遗憾最大化的教师之间的合作和竞争。CuSP还引入了熵目标覆盖率，并考虑了学生的非平稳性质，使我们能够自动诱导一个平衡渐进探索与反灾难性剥削的课程。我们证明，我们的方法成功地生成一个有效的课程的目标范围内的控制任务，优于其他方法在zero-shot测试时推广到新的分布外的目标。
2022-02-22 cs.AI cs.LG cs.MA
