跳到正文
arXiv 游戏 AI 检索· Di Wu·· 5 天前AI 评分38

PCGRL 新框架:用膨胀包络与前向课程生成可玩且多样的复杂平台跳跃关卡

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,用于在大型画布上生成可解且多样的平台跳跃关卡。该框架用“Inflated Volume Envelope”把连续运动学可行性嵌入 MDP 离散状态空间,并引入中间状态转移反馈与多阶段前向扩展课程学习来缓解稀疏奖励。合成阶段采用高熵随机推理配合事后并行拒绝过滤提升多样性,多尺度对比中收敛稳定性与可扩展性优于传统 PCGRL 基线。

来源:arXiv 游戏 AI 检索 · arxiv.org