FenixEdu™

Dissertação

Deep QL-APF: An Automated Playtesting Framework for Unreal Engine EVALUATED

Detalhes: Neste trabalho introduzimos uma abordagem para automatizar parte do processo de testagem de um jogo desenvolvido usando a Unreal Engine 4 (UE4), com o objectivo de acelerar e reduzir os custos associados a realizar unicamente testes manuais. Utilizamos o Sistema de Automação de Testes da UE4 para integrar a Deep QL-APF com a UE4, de forma a realizar automaticamente testes de jogabilidade. Propomos um método de Deep Q-Learning para ensinar o agente a deslocar-se até um destino e alcançar um objectivo de jogo bem definido. Para validar a solução, utilizamos um caso de estudo oferecido pela Funcom ZPX. Foram realizados três procedimentos experimentais para validar a abordagem. Obtivemos resultados relativamente à performance de aprendizagem de dois agentes diferentes e oferecemos uma representação visual do caminho percorrido por ambos. Um agente é responsável por atingir o objetivo da forma mais rápida possível enquanto o outro quer atingir o objetivo deslocando-se o mais próximo possível das paredes do mapa. A partir dos resultados confirmamos que os agentes de Reinforcement Learning (RL) são capazes de aprender a alcançar um objectivo de jogo e encontrar áreas problemáticas em ambientes de jogo da UE4. Também descobrimos que criar agentes para atingir um objetivo com comportamentos diferentes é complexo e difícil de realizar. Os agentes são capazes de identificar problemas no ambiente de jogo enquanto o exploram. Comparámos os problemas encontrados pelos agentes com os encontrados durante uma sessão de testes manuais. Concluímos que os agentes automatizados podem substituir pessoas na realização deste tipo de teste.
Keywords: Playtesting Automatizado, Aprendizagem por Reforço, Deep Q-Learning, Redes Neuronais, Unreal Engine, Sistema de Automação da Unreal Engine

Discussão: novembro 22, 2021, 9:0