L'IA génère de nouveaux niveaux Doom pour les humains

L'une des franchises de jeux vidéo les plus durables et les plus réussies est la série Doom, lancée en 1993 et ​​toujours aussi forte avec plus de 10 millions d'exemplaires vendus. Le jeu est un jeu de tir à la première personne dans lequel un space marine se bat pour survivre contre divers démons et zombies.

Le jeu est remarquable car il a été le pionnier des graphismes 3D pour les PC exécutant MS-DOS, a introduit le multijoueur en réseau et a même permis aux joueurs de créer leurs propres niveaux de jeu. En effet, un grand nombre de niveaux de Doom - à la fois officiels et créés par les joueurs - sont désormais disponibles gratuitement en ligne, formant un formidable corpus pour l'étude et la recherche.

Et cela soulève une possibilité intéressante. Est-il possible d'utiliser ces données pour entraîner un algorithme d'apprentissage en profondeur afin de créer ses propres niveaux de Doom qu'un humain trouverait convaincants ?

Aujourd'hui, nous obtenons une réponse grâce au travail d'Edoardo Giacomello et de ses collègues du Politecnico di Milano en Italie. Ces gars disent qu'il est en effet possible de créer des niveaux Doom convaincants de cette manière automatisée, et que la technique a un potentiel significatif pour changer la façon dont le contenu du jeu est créé.

L'approche de l'équipe est relativement simple. Ils commencent par 1 000 niveaux Doom tirés d'un référentiel de jeux accessibles au public, qui comprend tous les niveaux officiels de Doom et Doom 2 ainsi que plus de 9 000 niveaux créés par la communauté des joueurs.

L'équipe a ensuite traité chaque niveau pour générer un ensemble d'images qui représentent ses caractéristiques les plus importantes, telles que la zone piétonne, les murs, la hauteur du sol, les objets, etc. Ils ont également créé un vecteur qui capturait les caractéristiques importantes du niveau sous forme numérique, telles que la taille, la superficie et le périmètre des pièces, le nombre de pièces, etc.

Ensuite, ils ont utilisé une technique d'apprentissage en profondeur appelée réseau contradictoire génératif pour étudier les données et apprendre à générer de nouveaux niveaux.

Les résultats montrent à quel point cette technique est puissante. Après quelque 36 000 itérations, les réseaux de deep learning ont pu produire des niveaux de bonne qualité. Nos résultats montrent que les réseaux antagonistes génératifs peuvent capturer la structure intrinsèque des niveaux DOOM et semblent être une approche prometteuse pour la génération de niveaux dans les jeux de tir à la première personne, disent Giacomello et co.

Les chercheurs ont testé les nouveaux niveaux et disent qu'ils sont intéressants à explorer et à jouer, avec des caractéristiques typiques de Doom telles que des tunnels étroits et de grandes salles. Vous pouvez regarder l'un des niveaux joué ici.

Bien sûr, les niveaux ne sont pas parfaits. Par exemple, les réseaux d'apprentissage en profondeur ont du mal à produire des détails fins, probablement à cause des données bruyantes qui sont inévitablement générées avec ce type d'approche.

Néanmoins, même ce niveau d'automatisation pourrait avoir des implications importantes pour les concepteurs de jeux. Les niveaux sont d'une importance primordiale, en particulier dans les jeux de tir à la première personne et les jeux de plateforme, car ils affectent grandement l'expérience du joueur, explique Gicomello and co. Mais la création de contenu est l'une des parties les plus longues et les plus coûteuses du processus de développement.

Les fabricants de jeux s'appuient sur l'expertise humaine et des tests approfondis pour créer de bons niveaux. Et parce que cela coûte si cher, beaucoup d'entre eux recherchent des moyens efficaces d'automatiser le processus ou d'aider le concepteur de jeux.

Peut-être cela. Trouver un moyen d'automatiser la création de niveau, au moins en partie, est une réalisation importante. Cela devrait permettre aux concepteurs humains de se concentrer sur des problèmes plus généraux, tels que le type de niveau qu'ils souhaitent générer. Les concepteurs humains peuvent se concentrer sur des fonctionnalités de haut niveau en incluant des types spécifiques de cartes ou de fonctionnalités dans l'ensemble de formation, disent Giacomello et co.

Au cours des dernières années, des informaticiens ont montré comment les machines d'apprentissage en profondeur peuvent apprendre à jouer à des jeux vidéo à partir de rien, puis surpasser rapidement les joueurs humains. Ce n'est donc pas vraiment une surprise qu'ils puissent aussi apprendre à concevoir certains aspects des jeux.

La plus grande question est de savoir dans quelle mesure ils peuvent jamais aider avec le processus plus créatif de création d'une histoire de fond pour les personnages, de génération d'une histoire convaincante pour un jeu entier ou de développement d'un jeu original. Les humains ne sont pas encore redondants à cet égard.

Réf : arxiv.org/abs/1804.09154  : Génération de niveau DOOM à l'aide de réseaux antagonistes génératifs

cacher