Dissertação

Modelling Human Player Sensorial and Actuation Limitations in Artificial Players EVALUATED

Em game design, uma das tarefas mais importantes está associada com o processo de playtesting, já que é aqui que os designers conseguem perceber e entender se a experiência de jogo que eles pretendem criar está de facto a ser transmitida aos jogadores. A forma como um jogador percebe e reage a um jogo é extremamente importante para o processo de design do jogo. Trabalhos desenvolvidos no campo de Deep Learning provaram ser uma grande fonte de informação na forma de entender como um agente é capaz de obter boas runs e scores ao jogar vários jogos sem qualquer conhecimento prévio sobre o jogo. A possibilidade de testar um variado leque de jogos usando agentes artificiais com captura de ecrã proporcionado por uma Convolutional Neural Network, permite uma boa compreensão em como um agente é capaz de extrair features importantes a partir do ecrã do jogo sem qualquer informação adicional. Esta Dissertação pegou em trabalhos desenvolvidos no campo de Deep Reinforcement Learning aplicado a ambientes de Atari, modulou diferente tipos de limitações, testou e documentou os resultados obtidos. Os resultados obtidos tendem a indicar a existência de diferentes padrões na forma de jogar dos agentes para cada limitação testada.
Game Design, Playtesting, Reinforcement Learning, Convolutional Neural Network, Deep Q-Network, Limitação

Novembro 26, 2019, 13:0

Documentos da dissertação ainda não disponíveis publicamente

Orientação

ORIENTADOR

Carlos António Roque Martinho

Departamento de Engenharia Informática (DEI)

Professor Auxiliar