"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
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
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
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
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
Keke AI Competition: Solving puzzle levels in a dynamically changing mechanic space
New York University（纽约大学）
Keke AI竞赛为游戏Baba is You引入了人工智能竞赛-这是一款类似推箱子的益智游戏，玩家可以创建影响游戏机制的规则。更改规则可能会对可能是解决方案空间一部分的级别的其余部分产生临时或永久影响。这些动态规则的性质和游戏的确定性方面为AI创造了一个挑战，即适应各种机械组合以解决一个关卡。本文介绍了框架和评估指标，用于排名提交的代理和基线结果样本树搜索代理。
2022-09-11 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
Predicting Personas Using Mechanic Frequencies and Game State Traces
New York University, Tandon（纽约大学坦登工学院）；University of Malta（马耳他大学）
我们研究如何有效地预测播放人物角色的基础上播放痕迹。游戏角色可以通过计算玩家和游戏行为的生成模型（所谓的程序角色）之间的动作一致率来计算。但这在计算上是昂贵的，并且假设适当的程序人物角色是现成的。我们提出了两种方法来估计玩家角色，一种是使用定期监督学习和聚合措施的游戏机制发起，另一种是基于序列学习的轨迹上密切裁剪的游戏观察。虽然这两种方法在预测与程序人物角色一致定义的游戏人物角色时达到了很高的准确性，但它们完全无法预测玩家自己使用问卷定义的游戏风格。这个有趣的结果突出了使用计算方法定义游戏人物角色的价值。
2022-06-15 cs.AI
Generating Levels That Teach Mechanics
Tandon School of Engineering, New York University（纽约大学坦登工程学院）
游戏教程的自动生成是一个具有挑战性的人工智能问题。虽然可以生成向玩家解释如何玩游戏的注释和说明，但本文的重点是生成向玩家介绍游戏机制的游戏体验。它为Mario AI框架发展了一些小级别，只有知道如何在游戏中执行特定动作的代理才能击败这些级别。它使用了一个完美的A* 代理的变体，这些代理在各种方面受到限制，例如不能跳得很高或看到敌人，以测试如何不做某些动作可以阻止玩家击败关卡。
2018-10-01 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
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
CreativeGame:Toward Mechanic-Aware Creative Game Generation
University of Bristol（布里斯托大学）；Shanghai Jiao Tong University（上海交通大学）；Shandong University（山东大学）；Nanjing University（南京大学）；Sreal AI Project（Sreal AI项目）
本文提出CreativeGame系统，通过机制感知规划循环和跨版本经验积累，实现迭代式HTML5游戏生成，支持可解释的版本间进化。
2026-04-21 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
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
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
A Decision-Optimization Approach to Quantum Mechanics and Game Theory
Cccent Inc.（Cccent公司）
量子世界的基本定律颠覆了经典物理学的逻辑基础。他们完全违反直觉，有许多奇怪的行为。然而，本文表明，他们可能是有意义的，从一个一般的决策优化原则的角度进行合作。这一原则也提供了一个概括的纳什均衡，一个关键的概念，在博弈论，更好的回报和稳定的游戏。
2009-12-02 cs.AI cs.GT
Mechanics Automatically Recognized via Interactive Observation: Jumping
University of California, Santa Cruz（加州大学圣克鲁兹分校）；New York University（纽约大学）
跳跃自从在《大金刚》中被引入以来就一直是一个重要的机制。它采取了各种形式，并出现在许多游戏中，每一次跳跃都有不同的感觉。在本文中，我们使用修改后的任天堂娱乐系统（NES）模拟器半自动运行实验的一个大子集（30%）的NES平台游戏。我们使用这些实验来构建跨控制台历史的不同开发者、系列和游戏的跳跃模型。然后，我们检查这些模型，以获得不同形式的跳跃和他们的相关感觉的见解。
2017-07-12 cs.AI
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
Mechanic Maker: Accessible Game Development Via Symbolic Learning Program Synthesis
University of Alberta（阿尔伯塔大学）；Alberta Machine Intelligence Institute（阿尔伯塔机器智能研究所）
本文提出 Mechanic Maker 工具，利用后端符号学习系统从示例中综合游戏机制，让无编程经验者也能开发多种游戏；用户研究表明其使用能力与编程能力无关。
2024-10-01 cs.AI cs.HC
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
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
Compiling VGDL into Causal Models
提出将视频游戏描述语言编译为动态结构因果模型的确定性框架，直接翻译游戏组件为结构方程，保证因果保真度，支持反事实推理与因果强化学习。
2026-09-09 cs.AI
Playable Game Generation
Tencent（腾讯）
本文提出 PlayGen 方法，通过游戏数据生成、自回归 DiT 扩散模型和可玩性评估框架，实现支持实时交互与准确机制模拟的 2D/3D 可玩游戏生成。
2024-12-01 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
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
Deriving Quests from Open World Mechanics
North Carolina State University（北卡罗来纳州立大学）
开放世界游戏比线性进展结构的游戏给玩家提供了更多的自由。然而，如果没有明确的目标，他们往往离开球员没有目的感。大多数时候，任务和目标都是手工编写的，并覆盖在开放世界的机制之上。但是，如果它们可以从游戏本身有机地产生呢？我们项目的目标是在Minecraft中开发一个力学模型，可以用来确定目标在开放世界环境中的理想位置。我们根据逻辑规则形式化了Minecraft的游戏逻辑，这些规则可以通过两种方式进行操作：它们可以被执行以生成代表玩家在玩开放世界游戏时体验的图形，几乎没有开发人员指导;它们可以被静态分析以确定依赖顺序，反馈循环和瓶颈。这些分析然后可以用于在算法上将成就放置在游戏操作动作上。
2017-04-30 cs.AI cs.MM
Dynamic Social Interaction Mechanics CrossAnt
Universidade de Lisboa（里斯本大学）
如今，人们正在努力研究游戏化以及如何使用游戏元素来吸引玩家。在这个范围内，我们认为越来越需要探索游戏机制对玩家互动和感知的影响。这项工作的重点是应用游戏机制来引导玩家实现某些类型的社会互动（我们将这种机制命名为社会互动机制）。一个名为CrossAnt的单词匹配游戏被修改，以便它可以动态地生成不同的社交互动机制。这些机制包括玩游戏所需的不同按键组合，旨在促进我们认为的三种重要的社会互动类型：合作，竞争和个人探索。我们的评估包括几个会话的执行，其中两个玩家在几个级别上与游戏互动，并且必须自己找到如何执行成功所需的操作。虽然有些关卡需要两个玩家的输入才能完成，但其他关卡可以由每个玩家独立完成。我们的研究结果表明，合作被认为是当双方球员不得不进行干预，以执行游戏的行动。然而，可能仍然需要更长的交互，以便促进其他类型的交互。
2019-03-24 cs.AI cs.CY cs.HC
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
A Database-Driven Framework for 3D Level Generation with LLMs
该研究提出一种基于数据库和大语言模型的3D关卡生成框架，通过多阶段流水线组装多层结构、优化设施布局并整合游戏机制，实现可导航且节奏可调的复杂关卡自动生成。
2025-08-25 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
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
From Gameplay Traces to Game Mechanics: Causal Induction with Large Language Models
Institute for Information Processing, Leibniz University Hannover, Germany（汉诺威莱布尼茨大学信息处理研究所）；SDU Metaverse Lab, University of Southern Denmark, Denmark（丹麦南方大学元宇宙实验室）
本文提出利用大语言模型进行因果推理，通过从游戏行为追踪中推断出视频游戏描述语言规则，以更准确地理解游戏机制。
2026-01-30 cs.AI cs.CV cs.LG
AI Native Games: A Survey and Roadmap
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Zhongguancun Academy（中关村学院）；Zhongguancun Institute of Artificial Intelligence（中关村人工智能研究所）；School of Computer Science, McGill University, Montreal, Quebec, Canada（麦吉尔大学计算机科学学院）；Game AI Research Group, Queen Mary University of London, London, United Kingdom（伦敦女王学院游戏人工智能研究组）
本文定义AI原生游戏为运行时生成式AI构成核心循环的游戏，提出G/N分类法分析53个实例，指出核心设计问题是将语义开放性组织为稳定游戏玩法，并给出路线图。
2026-07-07 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
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
Distilling Game Code World Model Generation into Lightweight Large Language Models
Brown University（布朗大学）
研究通过后训练将游戏代码世界模型生成能力蒸馏到小型模型，采用监督微调和带可验证奖励的强化学习提升生成代码的语法正确性和规则遵循性。
2026-05-23 cs.AI
Generating Gameplay-Relevant Art Assets with Transfer Learning
Cinvestav IPN（墨西哥国立理工学院计算机研究中心）；University of Alberta（阿尔伯塔大学）
在游戏开发中，设计引人注目的视觉资产来传达游戏相关的功能需要时间和经验。最近的图像生成方法可以创建高质量的内容，可以降低开发成本，但这些方法没有考虑游戏机制。我们提出了一个卷积变分自编码器（CVAE）系统来修改和生成新的游戏视觉效果的基础上，他们的游戏相关性。我们使用Pokemon精灵和Pokemon类型信息来测试这种方法，因为类型是游戏的核心机制之一，它们直接影响游戏的视觉效果。我们的实验结果表明，采用迁移学习的方法可以帮助提高视觉质量和稳定性看不见的数据。
2020-10-04 cs.AI cs.CV
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
A Taxonomy of Collectible Card Games from a Game-Playing AI Perspective
Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）；Universidade Federal do Rio Grande do Sul（南里奥格兰德联邦大学）
本文从博弈AI研究视角出发，分析多款流行集换式卡牌游戏的规则、机制与模式，提出分类体系以梳理未决挑战并支持后续研究。
2024-10-08 cs.AI
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
Competing in a Complex Hidden Role Game with Information Set Monte Carlo Tree Search
University of Minnesota（明尼苏达大学）
智能博弈代理的进步导致了像围棋这样的完全信息博弈和像扑克这样的不完全信息博弈的成功。信息集蒙特卡罗树搜索（ISMCTS）系列算法在不完全信息博弈中优于以前使用蒙特卡罗方法的算法。在本文中，单观察者信息集蒙特卡罗树搜索（SO-ISMCTS）被应用到秘密希特勒，一个流行的社会推理棋盘游戏，结合了传统的隐藏角色机制与随机性的卡甲板。这种组合导致了一个比隐藏角色和卡片组机制更复杂的信息模型。在10108个模拟游戏中，SO-ISMCTS和基于规则的智能体一样有效，证明了ISMCTS算法在复杂信息集领域的潜力。
2020-05-14 cs.AI cs.MA
Mechanic Maker 2.0: Reinforcement Learning for Evaluating Generated Rules
University of Alberta（阿尔伯塔大学）；Northeastern University（东北大学）
针对自动化游戏设计中现有人类游玩近似器静态、无法反映玩家学习能力的问题，研究将强化学习用于规则生成的人类游玩近似，复现并推出开源框架Mechanic Maker，实验证明其生成的规则集与A*基线不同且更便于人类使用。
2023-10-05 cs.AI cs.LG
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
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
Inductive general game playing
University of Oxford（牛津大学）；Imperial College London（帝国理工学院）
通用博弈（GGP）是一个评估智能体在各种任务中的通用智能的框架。在GGP竞赛中，一个智能体被赋予一个它从未见过的游戏规则（描述为一个逻辑程序）。任务是让智能体玩游戏，从而生成游戏轨迹。GGP比赛的获胜者是在所有比赛中获得最佳总分的代理。在本文中，我们颠倒了这个任务：学习者被赋予游戏轨迹，任务是学习可能产生轨迹的规则。这个问题是归纳一般博弈（IGGP）的核心。我们介绍了一种技术，自动生成IGGP任务的GGP游戏。我们介绍了一个IGGP数据集，其中包含50个不同的游戏，如数独，推箱子，和游戏机的痕迹。我们认为IGGP是现有的归纳逻辑程序设计（ILP）方法的难点。为了支持这一说法，我们评估现有的ILP系统在我们的数据集。我们的实证结果表明，大多数游戏不能正确地学习现有的系统。性能最好的系统只能完美地解决40%的任务。我们的研究结果表明，IGGP提出了许多挑战，现有的方法。此外，由于我们可以从GGP游戏中自动生成IGGP任务，因此我们的数据集将随着GGP竞赛的不断增加而不断增长，因为每年都会有新的游戏加入。因此，我们认为IGGP问题和数据集将是有价值的激励和评估未来的研究。
2019-06-23 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
Game-Creation-Agents: Autonomous Game Production
Tencent（腾讯）
Game-Creation-Agents（GCA）可将自然语言请求转化为 Phaser 4 浏览器游戏，通过8个专用智能体完成制作，在需求满足等多方面优于开放流程，获人类评分者整体偏好。
2026-11-10 cs.AI 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
Avalon-ToM-Bench: Evaluating Fine-Grained Theory of Mind via Asymmetric Game Mechanics
National Taiwan University（台湾大学）；CyCraft AI Lab（CyCraft人工智能实验室）
本文提出Avalon-ToM-Bench基准，基于阿瓦隆游戏机制评估大语言模型的细粒度心理理论，发现模型ToM能力不足源于推理策略而非知识或表征，推理训练比测试时思维链增益更显著。
2026-08-11 cs.AI cs.CL cs.CY
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
