211service.com
AI genereert nieuwe Doom-levels die mensen kunnen spelen
Een van de langstlopende en meest succesvolle videogamefranchises is de Doom-serie, gelanceerd in 1993 en nog steeds sterk met meer dan 10 miljoen verkochte exemplaren. De game is een first-person shooter waarin een ruimtezee vecht om te overleven tegen verschillende demonen en zombies.
Het spel is opmerkelijk omdat het pionierde met 3D-graphics voor pc's met MS-DOS, multiplay via een netwerk introduceerde en spelers zelfs in staat stelde hun eigen spelniveaus te creëren. Inderdaad, grote aantallen Doom-niveaus, zowel officieel als door spelers gemaakt, zijn nu gratis online beschikbaar en vormen een formidabel corpus voor studie en onderzoek.
En dat roept een interessante mogelijkheid op. Is het mogelijk om deze gegevens te gebruiken om een diepgaand lerend algoritme te trainen om zijn eigen Doom-niveaus te creëren die een mens aantrekkelijk zou vinden?
Vandaag krijgen we een antwoord dankzij het werk van Edoardo Giacomello en collega's van de Politecnico di Milano in Italië. Deze jongens zeggen dat het inderdaad mogelijk is om op deze geautomatiseerde manier boeiende Doom-levels te creëren, en dat de techniek een aanzienlijk potentieel heeft om de manier waarop game-inhoud wordt gemaakt te veranderen.
De aanpak van het team is relatief eenvoudig. Ze beginnen met 1.000 Doom-niveaus uit een repository van openbaar beschikbare games, die alle officiële niveaus van Doom en Doom 2 bevat, evenals meer dan 9.000 niveaus die door de gamegemeenschap zijn gemaakt.
Het team verwerkte vervolgens elk niveau om een reeks afbeeldingen te genereren die de belangrijkste kenmerken vertegenwoordigen, zoals het beloopbare gebied, muren, vloerhoogte, objecten, enzovoort. Ze creëerden ook een vector die belangrijke kenmerken van het niveau in numerieke vorm vastlegde, zoals de grootte, het gebied en de omtrek van kamers, het aantal kamers, enzovoort.
Vervolgens gebruikten ze een diepgaande leertechniek, een generatief vijandig netwerk genaamd, om de gegevens te bestuderen en te leren hoe ze nieuwe niveaus kunnen genereren.
De resultaten laten zien hoe krachtig deze techniek is. Na zo'n 36.000 iteraties waren de deep learning-netwerken in staat om niveaus van goede kwaliteit te produceren. Onze resultaten laten zien dat generatieve vijandige netwerken de intrinsieke structuur van DOOM-niveaus kunnen vastleggen en een veelbelovende benadering lijkt te zijn voor het genereren van niveaus in first person shooter-games, zeggen Giacomello en co.
De onderzoekers hebben de nieuwe levels getest en zeggen dat ze interessant zijn om te verkennen en te spelen, met typische Doom-functies zoals smalle tunnels en grote kamers. Je kunt hier een van de levels zien spelen.
Natuurlijk zijn de niveaus niet perfect. Deep-learning netwerken hebben bijvoorbeeld moeite om fijne details te produceren, waarschijnlijk vanwege de ruisende gegevens die onvermijdelijk worden gegenereerd met dit soort benadering.
Desalniettemin kan zelfs dit niveau van automatisering aanzienlijke gevolgen hebben voor game-ontwerpers. Niveaus zijn van het grootste belang, vooral in first person shooter- en platformgames, omdat ze de spelerservaring enorm beïnvloeden, aldus Gicomello en co. Maar contentcreatie is een van de meest tijdrovende en dure onderdelen van het ontwikkelingsproces.
Gamemakers vertrouwen op menselijke expertise en uitgebreide tests om goede niveaus te creëren. En omdat dit zo duur is, zoeken velen van hen naar effectieve manieren om het proces te automatiseren of de gamedesigner te helpen.
Misschien is dit het. Het vinden van een manier om het maken van niveaus te automatiseren, althans gedeeltelijk, is een belangrijke prestatie. Het zou menselijke ontwerpers moeten vrijmaken om zich te concentreren op grotere problemen, zoals het soort niveau dat ze willen genereren. Menselijke ontwerpers kunnen zich concentreren op functies op hoog niveau door specifieke soorten kaarten of functies in de trainingsset op te nemen, zeggen Giacomello en co.
In de afgelopen jaren hebben computerwetenschappers laten zien hoe dieplerende machines kunnen leren om vanaf het begin videogames te spelen en vervolgens snel beter presteren dan menselijke spelers. Het is dus niet echt een verrassing dat ze ook een bepaald aspect van de games kunnen leren ontwerpen.
De grotere vraag is in hoeverre ze ooit kunnen helpen bij het creatievere proces van het creëren van een achtergrondverhaal voor personages, het genereren van een meeslepende verhaallijn voor een hele game of het ontwikkelen van originele gameplay. Mensen zijn in dit opzicht nog niet overbodig.
Referentie: arxiv.org/abs/1804.09154 : DOOM Level Generation met behulp van Generative Adversarial Networks