Динамическая балансировка сложности игры - Dynamic game difficulty balancing

Динамическая балансировка сложности игры (DGDB), также известный как регулировка динамической сложности (DDA) или динамическая балансировка игры (DGB) - это процесс автоматического изменения параметров, сценариев и поведения в видео игра в режиме реального времени, в зависимости от способностей игрока, чтобы не доставлять ему скуку (если игра слишком проста) или разочарование (если она слишком сложна). Однако позволяя ИИ-игроки нарушение правил, к которым привязаны игроки, может вызвать AI обмануть - например, игрокам с ИИ может быть предоставлена ​​неограниченная скорость в гоночных играх, чтобы они оставались рядом с игроком-человеком. Цель динамической балансировки сложности - заинтересовать пользователя от начала до конца, обеспечивая хороший уровень сложности.

Традиционно сложность игры неуклонно увеличивается по ходу игры (либо плавно, линейно, либо через шаги, представленные уровнями). Параметры этого повышения (скорость, частота, начальные уровни) можно изменить только в начале опыта, выбрав сложный уровень. Тем не менее, это может привести к разочарованию как для опытных, так и для неопытных игроков, поскольку они пытаются следовать заранее выбранным кривым обучения или сложности, что создает множество проблем для разработчиков игр; в результате такой способ игры не получил широкого распространения.

Динамические игровые элементы

Некоторые элементы игры, которые можно изменить с помощью динамической балансировки сложности, включают:

  • Скорость врагов
  • Здоровье врагов
  • Частота врагов
  • Частота включения
  • Мощность игрока
  • Сила врагов
  • Продолжительность игрового процесса

Подходы

Игроки [A] работают над игрой, их результаты должны постоянно улучшаться. Новички должны иметь возможность добиться некоторого прогресса, люди среднего уровня должны получать промежуточные баллы, а опытные игроки должны получать высокие баллы ... В идеале прогресс происходит автоматически; игроки начинают с уровня новичка, и расширенные функции вводятся по мере того, как компьютер распознает умелую игру.

— Крис Кроуфорд, 1982[1]

В литературе встречаются различные подходы к решению проблемы динамического балансирования сложности игры. Во всех случаях необходимо явно или неявно измерить трудности, с которыми пользователь сталкивается в данный момент. Эту меру может выполнить эвристический функция, которую некоторые авторы называют «функцией вызова». Эта функция преобразует данное игровое состояние в значение, которое указывает, насколько легкой или трудной игра кажется пользователю в определенный момент. Примеры используемых эвристик:

  • Скорость успешных выстрелов или попаданий
  • Количество выигранных и проигранных фигур
  • Очки жизни
  • Эволюция
  • Пора выполнить какое-то задание

... или любой другой показатель, используемый для расчета счет игры. Крис Кроуфорд сказал: «Если бы я построил график зависимости очков типичного игрока от времени, проведенного в игре, на этом графике должна была бы отображаться кривая, плавно и неуклонно восходящая вверх. Я описываю такую ​​игру как имеющую положительную монотонную кривую». По его словам, игры без такой кривой кажутся «либо слишком сложными, либо слишком легкими».[1]

Hunicke и подход Чепмена[2] управляет настройками игровой среды, чтобы упростить или усложнить задачи. Например, если игра слишком сложна, игрок получает больше оружия, быстрее восстанавливает очки жизни или сталкивается с меньшим количеством противников. Хотя этот подход может быть эффективным, его применение может привести к невероятным ситуациям. Простой подход - объединить такие «манипуляции с параметрами» с некоторыми механизмами для изменения поведения неигровые персонажи (персонажи управляются компьютером и обычно моделируются как разумный агентов). Однако эту настройку следует производить умеренно, чтобы избежать эффекта «резинки». Одним из примеров этого эффекта в гоночной игре может быть то, что транспортные средства водителя ИИ становятся значительно быстрее, когда они находятся позади транспортного средства игрока, и значительно медленнее, когда они находятся впереди, как если бы эти два транспортных средства были соединены большим резинка.

Традиционная реализация интеллекта такого агента заключается в использовании правил поведения, определенных во время разработка игр. Типичное правило в файтинг сказал бы: «бей противника, если он доступен, в противном случае преследуй его». Расширить такой подход, включив в него моделирование оппонента, можно с помощью Spronck. и другие.Динамичный сценарии,[3][4] который присваивает каждому правилу вероятность быть выбранным. Вес правил может динамически обновляться на протяжении всей игры в соответствии с навыками оппонента, что приводит к адаптации к конкретному пользователю. С помощью простого механизма можно выбрать правила, которые генерируют тактику, которая не будет ни слишком сильной, ни слишком слабой для текущего игрока.

Андраде и другие.[5] разделите проблему DGB на два аспекта: компетентность (учиться как можно лучше) и производительность (действовать так же хорошо, как необходимо). Эта дихотомия между компетенцией и производительностью хорошо известна и изучается в лингвистика, как предложено Ноам Хомский.[6] Их подход сталкивается с обоими измерениями с обучение с подкреплением (RL). Автономное обучение используется для запуска процесса обучения. Это можно сделать, позволив агенту играть против себя (самообучение), других заранее запрограммированных агентов или игроков-людей. Затем онлайн-обучение используется для постоянной адаптации этого изначально встроенного интеллекта к каждому конкретному оппоненту-человеку, чтобы найти наиболее подходящую стратегию для игры против него или нее. Что касается производительности, их идея состоит в том, чтобы найти адекватную политику для выбора действий, обеспечивающих хороший игровой баланс, то есть действий, которые удерживают и агента, и игрока-человека примерно на одном уровне производительности. В зависимости от сложности, с которой сталкивается игрок, агент выбирает действия с высокой или низкой ожидаемой эффективностью. Для данной ситуации, если уровень игры слишком сложен, агент не выбирает оптимальное действие (обеспечиваемое структурой RL), а постепенно выбирает все менее и менее неоптимальные действия, пока его производительность не станет такой же хорошей, как у игрока. Точно так же, если уровень игры становится слишком простым, он будет выбирать действия с более высокими значениями, возможно, пока не достигнет оптимальной производительности.

Демаси и Круз[7] построил интеллектуальных агентов, использующих генетические алгоритмы методы поддержания активности агентов, которые лучше всего подходят для уровня пользователя. Коэволюция онлайн используется для ускорения процесса обучения. Коэволюция в сети использует заранее определенные модели (агентов с хорошими генетическими характеристиками) в качестве родителей в генетических операциях, так что эволюция определяется ими. Эти модели строятся путем автономного обучения или вручную, когда генетическое кодирование агента достаточно просто.

Другая работа в области DGB основана на гипотезе о том, что взаимодействие игрока и оппонента - а не аудиовизуальные особенности, контекст или жанр игры - является тем свойством, которое вносит вклад в большинство качественных характеристик развлечения в компьютере. игра.[8] На основе этого фундаментального предположения была введена метрика для измерения развлекательной ценности игр «хищник / жертва» в реальном времени, которая была признана эффективной и надежной путем проверки на основе человеческого суждения.

Дальнейшие исследования Яннакакиса и Халлама[9] показали, что искусственные нейронные сети (ИНС) и нечеткие нейронные сети может получить более точную оценку удовлетворенности игроков, чем созданная человеком, с учетом соответствующих оценок сложности и любопытства (внутренние качественные факторы вовлеченности в игровой процесс, согласно Мэлоуну)[10] игры и данные о предпочтениях игроков-людей. Подход к построению пользовательских моделей игрока игры, которые могут предсказать ответы на то, какие варианты игры более или менее весело определяется как Развлекательное моделирование. Модель обычно строится с использованием машинное обучение методы, применяемые к параметрам игры, полученным на основе взаимодействия игрока с игрой и / или статистических характеристик игрока физиологические сигналы записывается во время игры.[11] Этот базовый подход применим к множеству игр, как компьютерных.[9] и физ.

Предостережения

Трудно создать справедливую, но не предсказуемую игру.[12] Эндрю Роллингс и Эрнест Адамс приводят пример игры, в которой изменялась сложность каждого уровня в зависимости от того, как игрок выступал на нескольких предыдущих уровнях. Игроки заметили это и разработали стратегию преодоления сложных уровней, намеренно неудачно играя на уровнях, предшествующих сложному. Авторы подчеркивают важность сокрытия существования трудности адаптации, чтобы игроки не знали об этом.[13]

Используется в последних видеоиграх

Архонт'Компьютерный противник со временем медленно адаптируется, чтобы помочь игрокам победить его.[14] Даниэль Бунтен разработан как M.U.L.E. и Глобальное завоевание чтобы динамически балансировать игровой процесс между игроками. Случайные события корректируются таким образом, что игрок, занявший первое место, никогда не везет, а игрок, занявший последнее место, никогда не бывает неудачником.[15]

Первый Крэш Бандикут Игра и ее сиквелы используют систему «Динамической регулировки сложности», замедляя препятствия, давая дополнительные очки жизни и добавляя очки продолжения в соответствии с количеством смертей игрока. По словам ведущего дизайнера игры Джейсон Рубин, цель заключалась в том, чтобы «помочь более слабым игрокам, не меняя игру в пользу лучших».[16]

Видеоигра Поток был известен популяризацией применения ментального погружения (также называемого поток ) к видеоиграм с его Flash-версией 2006 года. Дизайн видеоигры был основан на магистерской диссертации одного из ее авторов и позже был адаптирован для PlayStation 3.

SiN Эпизоды выпущенная в 2006 году, включала в себя «Систему личных испытаний», в которой количество и стойкость противников, с которыми сталкиваются, будут зависеть от производительности игрока, чтобы обеспечить уровень сложности и скорость прохождения игры. Разработчик, Ритуальные развлечения, утверждали, что игроки с совершенно разными уровнями способностей могут закончить игру за небольшой промежуток времени друг от друга.[17]

В 2005 году, Обитель зла 4 использовала систему под названием «Шкала сложности», неизвестная большинству игроков, поскольку единственное упоминание о ней было в официальном руководстве по стратегии. Эта система оценивает производительность игрока по числовой шкале от 1 до 10 и регулирует как поведение / используемые атаки противника, так и урон / сопротивление врага в зависимости от производительности игрока (например, смертей, критических атак и т. Д.). Выбранные уровни сложности фиксируют игроков на определенном количестве; например, на нормальной сложности каждый начинает с 4-го класса, может перейти к 2-му классу, если дела идут плохо, или до 7-го класса, если дела идут хорошо. Уровни сложности могут пересекаться.[18]

Божья рука, видеоигра 2006 года, разработанная Clover Studio, режиссер Обитель зла 4 директор Синдзи Миками, и опубликовано Capcom для PlayStation 2, имеет индикатор во время игры, который регулирует интеллект и силу противника. Этот счетчик увеличивается, когда игрок успешно уклоняется и атакует противников, и уменьшается, когда игрок получает удар. Счетчик разделен на четыре уровня, самый сложный из которых называется «Уровень DIE». В игре также есть три сложности: легкая - позволяет счетчику подняться только до уровня 2, а самая сложная - блокирует счетчик до уровня DIE. Эта система также предлагает большие награды за победу над врагами на более высоких уровнях.

Видеоигра 2008 года Оставленные для мертвых использует новую технологию искусственного интеллекта, получившую название «AI Director».[19] AI Director используется для процедурного создания нового опыта для игроков при каждом прохождении игры. Он отслеживает производительность отдельных игроков и то, насколько хорошо они работают вместе в группе, чтобы задавать темп игры, определяя количество зомби, нападающих на игрока, и местоположение зараженных боссов встреч на основе собранной информации. Директор также определяет, насколько быстро игроки продвигаются по уровню к каждой цели; если он обнаруживает, что игроки оставались на одном месте слишком долго или не достигают достаточного прогресса, он вызовет орду обычных зараженных, чтобы заставить всех присутствующих игроков и ИИ-персонажей покинуть свое текущее местоположение и бороться с новой угрозой. Помимо управления темпами, Режиссер также управляет некоторыми видео и аудио элементами игры, чтобы задать настроение для встречи с боссом или привлечь внимание игроков к определенной области.[20] Valve называет то, как работает директор "процедурное повествование "потому что вместо того, чтобы иметь уровень сложности, который просто увеличивается до постоянного уровня, ИИ анализирует, как игроки преуспевали в игре на данный момент, и пытается добавить последующие события, которые дадут им ощущение повествования.[21]

Мэдден НФЛ 09 вводит «Madden IQ», который начинается с необязательной проверки знаний игроков о спорте и способностей в различных ситуациях. Затем счет используется для управления сложностью игры.[22][23]

В игре матч-3 Fishdom, ограничение по времени регулируется в зависимости от того, насколько хорошо играет игрок. Лимит времени увеличивается, если игрок проваливает уровень, что позволяет любому игроку пройти уровень после нескольких попыток.

В видеоигре 1999 года Родной мир, количество кораблей, с которых ИИ начинает каждую миссию, будет установлено в зависимости от того, насколько мощным считается флот игрока. У успешных игроков больше флотов, потому что они несут меньше потерь. Таким образом, игрок, успешно выполнивший несколько миссий, по ходу игры будет испытывать все больше и больше проблем.

В Fallout: New Vegas и Fallout 3, по мере повышения уровня игрока более жесткие варианты врагов, враги с более высокой статистикой и лучшим оружием или новые враги заменят старых, чтобы сохранить постоянную сложность, которую можно повысить, используя ползунок, с бонусами к опыту и наоборот. Fallout 3. Это также можно сделать в Нью-Вегас, но нет бонуса к увеличению или уменьшению сложности.

В Марио Карт В серии представлены элементы во время гонок, которые помогают отдельным гонщикам опередить своих соперников. Эти предметы распределяются в зависимости от положения водителя, что является примером динамической балансировки сложности игры. Например, водитель в нижней части поля, скорее всего, получит предмет, который резко увеличит его скорость или резко снизит скорость его противников, тогда как водитель, находящийся на первом или втором месте, может рассчитывать получить такие предметы редко ( и, вероятно, получит более слабые предметы в игре). Компьютерные гонщики в игре также адаптируются к скорости игрока - замедляются, когда ведущий игрок-гонщик слишком сильно отстает от лучшего компьютерного гонщика, и наоборот - когда конкурирующие компьютерные гонщики догоняют игрока первыми.

Ранний пример балансировки сложности можно найти в Занак, разработанная в 1986 г. Компилировать. В игре реализован уникальный адаптивный искусственный интеллект, в котором игра автоматически настраивала уровень сложности в соответствии с уровнем навыков игрока, скорострельностью и текущим оборонительным статусом / возможностями корабля. Раньше, чем это, можно найти в монетной игре Midway 1975 Gun Fight. Эта перестрелка лицом к лицу поможет любому игроку, в которого только что стреляли, поместив новый дополнительный объект, например, растение кактуса, на его половину игрового поля, чтобы им было легче спрятаться.

Предполагаемое использование для формирования покупательского поведения игроков

А коллективный иск в Окружной суд США Северного округа Калифорнии опытный разработчик игр Electronic Arts использования запатентованных Динамическая регулировка сложности технологии в трех своих EA Sports франшизы - Мэдден НФЛ, ФИФА, и НХЛ - во всех играх, начиная с версий 2017 года. Истцы говорят, что EA использует эту технологию, чтобы подтолкнуть игроков покупать больше ящики для добычи в виде пакетов игроков, говоря, что это фактически заставляет даже игроков с высокими характеристиками играть не так хорошо, как они должны.

В иске также отмечается, что EA использует эту технологию, не раскрывая ее игрокам, отмечая, что EA отрицала ее использование в прошлом в нескольких играх, упомянутых в иске. Когда ее попросили прокомментировать обвинения, EA назвала эти утверждения «необоснованными» и что они «искажают наши игры».[24][25][26]

Смотрите также

Рекомендации

  1. ^ а б Кроуфорд, Крис (декабрь 1982 г.). «Приемы дизайна и идеи для компьютерных игр». БАЙТ. п. 96. Получено 19 октября 2013.
  2. ^ Робин Хунике; В. Чепмен (2004). «ИИ для динамической регулировки сложности в играх». Проблемы игрового искусственного интеллекта AAAI Workshop. Сан - Хосе. С. 91–96.
  3. ^ Питер Спронк из Тилбургского центра творческих вычислений
  4. ^ П. Спронк; И. Спринкхёйзен-Кайпер; Э. Постма (2004). «Масштабирование сложности игрового ИИ». Материалы 5-й Международной конференции по интеллектуальным играм и симулятору. Бельгия. С. 33–37.
  5. ^ Г. Андраде; Г. Рамальо; Х. Сантана; В. Коррубл (2005). «Выбор действия, чувствительного к вызову: приложение для балансировки игры». Материалы Международной конференции IEEE / WIC / ACM по технологии интеллектуальных агентов (IAT-05). Компьень, Франция: Компьютерное общество IEEE. С. 194–200.
  6. ^ Хомский, Ноам. (1965). Аспекты теории синтаксиса. Кембридж, Массачусетс: MIT Press.
  7. ^ П. Демаси; А. Круз (2002). «Коэволюция онлайн для экшн-игр». Труды 3-й Международной конференции по интеллектуальным играм и моделированию. Лондон. С. 113–120.
  8. ^ Г. Н. Яннакакис; Дж. Халлам (13–17 июля 2004 г.). «Развивающиеся противники интересных интерактивных компьютерных игр». Материалы 8-й Международной конференции по моделированию адаптивного поведения (SAB'04); От животных к аниматам 8. Лос-Анджелес, Калифорния, США: MIT Press. С. 499–508.
  9. ^ а б Г. Н. Яннакакис; Дж. Халлам (18–20 мая 2006 г.). «На пути к захвату и расширению развлечений в компьютерных играх». Труды 4-й Греческой конференции по искусственному интеллекту, Конспект лекций по искусственному интеллекту. Ираклион, Крит, Греция: Springer-Verlag. С. 432–442.
  10. ^ Мэлоун, Т. В. (1981). «Что делает компьютерные игры интересными?». Байт. 6: 258–277.
  11. ^ Шанель, Гийом; Ребетес, Кирилл; Бетранкур, Мирей; Пун, Тьерри (2011). «Оценка эмоций по физиологическим сигналам для адаптации игровой сложности». Транзакции IEEE по системам, человеку и кибернетике - Часть A: Системы и люди. 41 (6): 1052–1063. Дои:10.1109 / TSMCA.2011.2116000. S2CID  8681078.
  12. ^ Барри, Тим (1981-05-11). «В поисках лучшей компьютерной игры». InfoWorld. стр.11, 48. Получено 2019-04-17.
  13. ^ А. Роллингс; Э. Адамс. «Геймплей» (PDF). Эндрю Роллингс и Эрнест Адамс о дизайне игр. New Riders Press.
  14. ^ Бейтман, Селби (ноябрь 1984). "Free Fall Associates: Разработчики Archon и Archon II: Adept". Бюллетень Compute!. п. 54. Получено 6 июля 2014.
  15. ^ «Создание людей ...» Компьютерный игровой мир. Август 1992. С. 48–54.. Получено 3 июля 2014.
  16. ^ Гэвин, Энди (2011-02-07). «Делаем Crash Bandicoot - часть 6». All Things Энди Гэвин. Получено 2016-09-03.
  17. ^ Монки (22 мая 2006 г.). "Monki берет интервью у Тома Мастейна из Ritual о SiN: Emergence". Разве это не крутые новости. Получено 2006-08-24.
  18. ^ Resident Evil 4: Официальное руководство по стратегии. Future Press. 4 ноября 2005 г.
  19. ^ "Оставленные для мертвых". Клапан. Архивировано из оригинал 27 марта 2009 г.
  20. ^ "Предварительный просмотр Left 4 Dead". Left 4 Dead 411.
  21. ^ Ньюэлл, Гейб (21 ноября 2008 г.). «Гейб Ньюэлл пишет для Edge». edge-online.com. Архивировано из оригинал 9 сентября 2012 г.. Получено 2008-11-22.
  22. ^ «Отчет о предсезонке Madden NFL 09», 25 апреля 2008 г.
  23. ^ «Madden NFL 09 из первых рук», 22 мая 2008 г.
  24. ^ Валентин, Ревекка. «EA сталкивается с еще одним коллективным иском, связанным с лутбоксами». GamesIndustry.biz. Получено 12 ноября 2020.
  25. ^ Хетфельд, Малинди (12 ноября 2020 г.). «В коллективном иске утверждается, что технология динамической сложности EA способствует увеличению расходов на лутбоксы». ПК-геймер. Получено 12 ноября 2020.
  26. ^ МакАлун, Алисса. «Коллективный иск обвиняет EA в изменении сложности игры, чтобы толкать лутбоксы». www.gamasutra.com. Получено 12 ноября 2020.

дальнейшее чтение

  • Хунике, Робин (2005). «Кейс для динамической регулировки сложности в играх». Материалы Международной конференции 2005 ACM SIGCHI по достижениям в компьютерных развлекательных технологиях. Нью-Йорк: ACM. С. 429–433. Дои:10.1145/1178477.1178573.
  • Бирн, Эдвард (2004). Дизайн игрового уровня. Чарльз Ривер Медиа. п.74. ISBN  1-58450-369-6.
  • Чен, Дженова (2006). «Поток в играх».

внешняя ссылка