arXiv cs.AI· Di Wu·· 4 小时前AI 评分20
PCGRL 新框架:用膨胀包络与前向课程合成可玩且多样的平台跳跃关卡
PCGRL for Complex Platformers: Synthesizing Playable and Diverse Levels via Inflated Envelopes and Forward Curricula
AI 导读
研究者提出一种物理感知、课程引导的 PCGRL 框架,用于在严格刚体规则与非线性运动边界约束下生成大规模平台跳跃关卡。该框架引入“膨胀体积包络”机制将连续运动可行性嵌入 MDP 离散状态空间,并通过中间状态转移反馈与多阶段前向扩展课程学习缓解长序列稀疏奖励问题。
正文 · AI 翻译
摘要:基于强化学习的过程化内容生成(PCGRL)已成为自动化游戏开发中一种颇具前景的范式。然而,现有 PCGRL 框架在面对受严格刚体规则与非线性运动学边界支配的长序列生成任务(例如平台跳跃类约束)时,仍存在严重的探索瓶颈与扩展性局限。因此,传统方法往往难以在大规模画布上维持可靠的通关可行性。为应对这些挑战,我们提出了一种物理感知、课程引导的 PCGRL 框架。首先,我们构建了“膨胀体积包络”机制,它提供了一种物理约束表示,将连续的运动学可行性融入 MDP 的离散状态空间。其次,为缓解极长决策序列带来的稀疏奖励难题,我们引入了中间状态转移反馈与多阶段前向扩展课程学习框架,从而在长时程轨迹上实现有信息量的价值估计与稳定的信用分配。最后,为解决收敛后的确定性策略生成高度单调、缺乏多样性的地图路径这一问题,我们在合成阶段启用高熵随机推理,并通过事后并行拒绝过滤机制进行正则化。实验结果表明,我们的框架在多尺度环境中显著提升了结构多样性,同时保持较高的物理可玩性。跨多尺度画布的对比评估表明,我们的框架保持了更优的收敛稳定性与维度可扩展性,在传统 PCGRL 基线性能退化的情况下仍能可靠地合成可通关的关卡。
| 评论: | 9 页,6 幅图,1 张表 |
| 主题: | 机器学习(cs.LG);人工智能(cs.AI) |
| 引用为: | arXiv:2611.22250 [cs.LG] |
| (或 arXiv:2611.22250v1 [cs.LG] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.22250 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Di Wu [查看邮箱]
[v1]
2026 年 11 月 17 日星期二 05:55:23 UTC(220 KB)
来源:arXiv cs.AI · arxiv.org