Έμβλημα Πολυτεχνείου Κρήτης
Το Πολυτεχνείο Κρήτης στο Facebook  Το Πολυτεχνείο Κρήτης στο Instagram  Το Πολυτεχνείο Κρήτης στο Twitter  Το Πολυτεχνείο Κρήτης στο YouTube   Το Πολυτεχνείο Κρήτης στο Linkedin

Νέα / Ανακοινώσεις / Συζητήσεις

Παρουσίαση Διπλωματικής Εργασίας κ. Χαϊτίδη Σάββα - Σχολή ΗΜΜΥ

  • Συντάχθηκε 28-07-2021 08:55 Πληροφορίες σύνταξης

    Ενημερώθηκε: -

    Τόπος: Η παρουσίαση θα γίνει με τηλεδιάσκεψη
    Σύνδεσμος τηλεδιάσκεψης
    Έναρξη: 30/07/2021 10:00
    Λήξη: 30/07/2021 11:00

    ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
    Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
    Πρόγραμμα Προπτυχιακών Σπουδών

    ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
    ΣΑΒΒΑΣ ΧΑΪΤΙΔΗΣ

    θέμα
    Εξατομικευμένη Δημιουργία ενός Platformer Παιχνιδιού μέσω PCGML Αλγορίθμων 
    Personalised Platformer- Game Generation via PCGML Algorithms

    Εξεταστική Επιτροπή
    Αναπληρωτής καθηγητής Μιχαήλ Λαγουδάκης (επιβλέπων)
    Αναπληρώτρια καθηγήτρια Αικατερίνη Μανιά
    Καθηγητής Γεώργιος Γιαννακάκης (Πανεπιστήμιο Μάλτας)

    Περίληψη
    Τα τελευταία χρόνια, η βιομηχανία ανάπτυξης παιχνιδιών έχει δείξει τεράστιο ενδιαφέρον στον τομέα της διαδικασίας αυτόματης δημιουργίας περιεχομένου (PCG). Ειδικά η αυτόνομη παραγωγή επιπέδων για βιντεοπαιχνίδια έχει γίνει ένα δημοφιλές αντικείμενο μελέτης. Τα Γενετικά Ανταγωνιστικά Δίκτυα (GANs) είναι μια μέθοδος μηχανικής μάθησης που έχει χρησιμοποιηθεί την τελευταία δεκαετία και αποδείχθηκε ικανή να δημιουργεί περιεχόμενο πολυμέσων και περιεχόμενα παιχνιδιών. Για αυτήν τη εργασία αυτήν, ένα νέο βιντεοπαιχνίδι που συνδυάζει τα χαρακτηριστικά ενός Platformer και ενός Dungeon Crawler αναπτύχθηκε στην Unity από το οποίο δημιουργήθηκε ένα σύνολο δεδομένων. Ένα GAN εκπαιδεύτηκε με επιτυχία στο συγκεκριμένο σύνολο δεδομένων και κατά συνέπεια μπόρεσε να δημιουργήσει νέα επίπεδα του παιχνιδιού. Δεδομένου ότι ο πυρήνας αυτής της εργασίας ήταν να δημιουργηθούν επίπεδα των οποίων η κλίμακα δυσκολίας προσαρμόζεται με βάση την απόδοση του παίκτη, το διάνυσμα εισόδου στο μοντέλο δημιουργίας βρέθηκε χρησιμοποιώντας μια Εξελικτική Στρατηγική. Συγκεκριμένα, εφαρμόστηκε το Covariance Matrix Adaptation Evolutionary Strategy (CMA-ES) που αναζητούσε τον λανθάνοντα χώρο του GAN χρησιμοποιώντας τα στατικά χαρακτηριστικά κάθε επιπέδου με τη μορφή μιας συνάρτησης καταλληλότητας. Στη συνέχεια, στην έξοδο αυτής της διαδικασίας δόθηκε βαθμολογία δυσκολίας με αξιολόγηση και τοποθετήθηκε στο σωστό σημείο του πλέγματος 3x3 που αποτελεί ολόκληρο το επίπεδο παιχνιδιού. Τα πειράματα αυτής της εργασίας προέρχονται από μια ποικιλία μοντέλων παικτών και πραγματικών παικτών οι οποίοι έπαιξαν το παιχνίδι και έδειξαν πόσο ικανό είναι το εκπαιδευμένο μοντέλο GAN στη δημιουργία νέων επιπέδων που ταιριάζουν στην απόδοση του παίκτη.

    Abstract
    In recent years, the game development industry has shown an enormous interest in the field of Procedural Content Generation (PCG). Especially the autonomous generation of levels for video games has become a popular subject of study. Generative Adversarial Networks (GANs) are a machine learning method that has been used over the last decade and proved to be capable of generating media content and even game content. For this thesis, a new video game that combines the characteristics of a Platformer and a Dungeon Crawler has been developed in Unity from which a handcrafted dataset has been created. A GAN was successfully trained on this dataset and was therefore able to generate new level rooms. Since the core of this work was to generate rooms whose difficulty scale is adjusted based on the player’s performance, the input latent vector to the generative model was found by using an Evolutionary Strategy. Specifically, the Covariance Matrix Adaptation Evolutionary Strategy (CMA-ES) was applied which searched through the latent space of the GAN by utilizing the static characteristics of each room in form of a fitness function. The output room of this process was then given a difficulty score by evaluation and placed in the correct spot of the 3x3 grid which constitutes the whole level. The experiments of this thesis are resulted from having a variety of player models and actual players play the game and show how capable the trained GAN model is in generating novel example outputs that fit the player’s performance.

    Meeting ID: 972 9766 1292
    Password: 088368



© Πολυτεχνείο Κρήτης 2012