Dieses Forschungspapier wurde auf der IEEE Conference on Games 2021 präsentiert.
Da moderne Spiele sowohl in Größe als auch in Komplexität weiter wachsen, wird es zunehmend schwieriger, sicherzustellen, dass alle relevanten Inhalte getestet werden und dass potenzielle Probleme ordnungsgemäß identifiziert und behoben werden. Der Versuch, die Testabdeckung ausschließlich mit menschlichen Teilnehmern zu maximieren, führt jedoch zu einem mühsamen und schwer zu orchestrierenden Prozess, der normalerweise den Entwicklungszyklus verlangsamt.
Die Ergänzung des Playtestings durch autonome Agenten hat sich als vielversprechend erwiesen, um diesen Prozess zu beschleunigen und zu vereinfachen.
Dieses Papier behandelt das Problem der automatischen Erkundung und Testung eines bestimmten Szenarios mithilfe von Reinforcement-Learning-Agenten, die darauf trainiert sind, die Abdeckung des Spielzustands zu maximieren. Jeder dieser Agenten wird basierend auf der Neuheit seiner Aktionen belohnt, was ein neugieriges und erkundendes Verhalten in einem komplexen 3D-Szenario fördert, in dem zuvor vorgeschlagene Erkundungstechniken schlecht abschneiden. Die neugierigen Agenten sind in der Lage, die komplexen Navigationsmechaniken zu erlernen, die erforderlich sind, um die verschiedenen Bereiche der Karte zu erreichen, und liefern somit die notwendigen Daten zur Identifizierung potenzieller Probleme.
----------
SEED ist eine Pioniergruppe innerhalb von Electronic Arts, die Kreativität mit angewandter Forschung verbindet. Wir erkunden, bauen und helfen, die Zukunft der interaktiven Unterhaltung zu bestimmen.
Finden Sie uns auf: