Cet article de recherche a été présenté à la Conférence IEEE sur les Jeux 2021.
Alors que les jeux modernes continuent de croître en taille et en complexité, il est devenu plus difficile de s'assurer que tout le contenu pertinent est testé et que tout problème potentiel est correctement identifié et corrigé. Tenter de maximiser la couverture des tests en utilisant uniquement des participants humains entraîne un processus fastidieux et difficile à orchestrer, ce qui ralentit généralement le cycle de développement.
Compléter les tests de jeu via des agents autonomes a montré un grand potentiel pour accélérer et simplifier ce processus.
Cet article aborde le problème de l'exploration et du test automatiques d'un scénario donné en utilisant des agents d'apprentissage par renforcement entraînés pour maximiser la couverture des états de jeu. Chacun de ces agents est récompensé en fonction de la nouveauté de ses actions, encourageant ainsi un comportement curieux et exploratoire dans un scénario 3D complexe où les techniques d'exploration précédemment proposées fonctionnent mal. Les agents curieux sont capables d'apprendre les mécaniques de navigation complexes nécessaires pour atteindre les différentes zones de la carte, fournissant ainsi les données nécessaires pour identifier les problèmes potentiels.
----------
SEED est un groupe pionnier au sein d'Electronic Arts, alliant créativité et recherche appliquée. Nous explorons, construisons et aidons à déterminer l'avenir du divertissement interactif.
Retrouvez-nous sur :