Разработана нейросеть, которая регулирует сложность видеоигры в зависимости от эмоций игрока

Сложность — очень относительный аспект в видеоиграх. Некоторые предпочитают видеоигры, которые бросают им вызов, в то время как другим нравится легкий опыт.

Чтобы подстроиться под игроков, большинство разработчиков используют динамическую регулировку сложности. Идея состоит в том, чтобы регулировать сложность игры в реальном времени в зависимости от производительности игрока. Например, если производительность игрока превышает ожидания разработчика для данного уровня сложности, игра может автоматически повысить сложность. Хотя эта стратегия полезна, она ограничена тем, что учитывается только производительность, а не то, сколько удовольствия на самом деле получает игрок.

Исследовательская группа из Института науки и технологии Кванджу (Южная Корея) решила изменить подход. Они разработали способ динамической регулировки сложности, который регулирует сложность игры, чтобы максимизировать один из четырех аспектов, связанных с удовлетворением игрока: уровень сложности, компетентность, поток и вовлеченность.

Научная статья вышла в журнале Expert Systems With Applications, о разработке рассказали в институте.

Нейросеть была обучена с помощью машинного обучения с использованием данных, собранных от 20 реальных игроков-людей, которые играли против различных искусственных интеллектов, а затем отвечали на вопросы анкеты о своем опыте. Используя алгоритм, система использовала реальные игровые и смоделированные данные, чтобы настроить стиль боя противника играющего таким образом, чтобы максимизировать определенную эмоцию.

«Одним из преимуществ нашего подхода по сравнению с другими методами, основанными на эмоциях, является то, что он не полагается на внешние датчики, такие как электроэнцефалография. После обучения наша модель может оценивать состояния игроков, используя только игровые функции», — говорит доцент Кьюнг-Джун Ким, руководивший исследованием.

Это первый случай, когда эмоции игрока включаются непосредственно в механику игры, что может быть полезно для коммерческих игр.

«Компании, занимающиеся коммерческими играми, уже имеют огромные объемы данных об игроках. Они могут использовать эти данные для моделирования и решения различных задач, связанных с играми, используя наш подход», — говорит доцент Ким.

Стоит отметить, что этот метод также имеет потенциал для других областей, которые могут быть «геймифицированы», таких как здравоохранение, спорт и образование.

ИИ впервые обыграл людей в гоночной игре

Создано устройство, передающее тактильные ощущения в виртуальной реальности