Exhaustive exploration strategies for NPCS in game maps
Notice bibliographique
Résumé
Much work has been done on automated terrain mapping in the field of robotics.And while there has been interest in Artificial Intelligence (AI) navigation in video games, there currently exists no formalized approach by which a non-player character (NPC) can automatically explore and map out an entire game level.In this dissertation, we present a method that generates an exploratory path in the game map, using which an NPC will be able to uncover all parts of the map.Our problem statement resembles that of the Watchman Route Problem, studied theoretically in computational geometry.We model a game map as a 2-dimensional polygon with holes, then using the Art Gallery Theorem compute a set of camera points that collectively guarantee full coverage of the map, and connect these cameras using motion planning graphs called roadmaps.From there we use visibility polygons, polygon merging and shortest-path calculations, to develop five different strategies for tours that visit the cameras.We identify factors that influence the performance of these strategies, and experimentally analyse their influence using metrics we have developed.Additionally, we compare the performances of the strategies themselves, as well as test on different types of roadmaps.Our experiments are carried out on large and complex maps from commercial games.We have devised a simple procedure for the collection and conversion of such maps to an easily readable format.The strategies proposed can be used by both hostile and non-hostile NPCs in different spatial search scenarios.For example, to locate a player, or to help a player uncover a map in fog-of-war settings.We hope our efforts will encourage further work on this relatively nascent topic.The development of more complex metrics, and more human-like strategies, could help quantify the "explorability" of a map, and aid in level design decisions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».