Dissertação

{en_GB=Modelling Human Player Sensorial and Actuation Limitations in Artificial Players} {} EVALUATED

{pt=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. , en=In game design, one of the most important tasks is associated with the playtesting process, as this is where game designers are able to understand if the game experience they are trying to create is indeed being passed to the players. How a player perceives and reacts to a game should be important in the game design process. Work developed in the Deep Learning research field has proved to be a great source of information as to understand how an agent is capable of achieving great runs and scores playing various games from scratch. The capability of testing different games using a screen capture artificial player powered by Convolutional Neural Network allows for a good understanding of how an agent is capable of extracting important features from the game screen without additional information. This Thesis, took the work developed in the Deep Reinforcement Learning field applied to Atari environments, mainly Deep-Q Networks, modulated different types of player limitations, tested and documented the results achieved. The results seem to indicate the existence of different types of playing patterns for different limitations. }
{pt=Game Design, Playtesting, Reinforcement Learning, Convolutional Neural Network, Deep Q-Network, Limitação, en=Game Design, Playtesting, Reinforcement Learning, Convolutional Neural Network, Deep Q-Network, Limitation}

Novembro 26, 2019, 13:0

Orientação

ORIENTADOR

Carlos António Roque Martinho

Departamento de Engenharia Informática (DEI)

Professor Auxiliar