레벨 디자인 과정은 게임 개발의 난이도를 결정하는 중요한 개발단계로써 레벨의 기획과 생성, 플레이테스팅을 거쳐서 게임의 완성도가 결정된다. 그렇기 때문에 레벨을 차례대로 클리어하면서 재미를 느끼는 Match 3 게임 분야에서 레벨 디자인은 중요하며 그 핵심은 레벨의 생성과, 플레이테스팅이다. 레벨 생성 분야는 유전자, 진화 알고리즘을 비롯해 딥러닝을 이용한 ...
영상학과 영상공학-디지털이미징 전공 중앙대학교 첨단영상대학원
레벨 디자인 과정은 게임 개발의 난이도를 결정하는 중요한 개발단계로써 레벨의 기획과 생성, 플레이테스팅을 거쳐서 게임의 완성도가 결정된다. 그렇기 때문에 레벨을 차례대로 클리어하면서 재미를 느끼는 Match 3 게임 분야에서 레벨 디자인은 중요하며 그 핵심은 레벨의 생성과, 플레이테스팅이다. 레벨 생성 분야는 유전자, 진화 알고리즘을 비롯해 딥러닝을 이용한 GAN, LSTM 등 다양한 방법으로 연구가 진행되고 있다. 그러나, Match 3 게임에서는 훈련 데이터 확보의 어려움과, 개발 환경 구축 어려움으로 레벨 생성 연구가 거의 전무하다. 그래서 본 논문에서는 상용 Match 3 게임의 레벨 데이터를 확보하여 해당 데이터를 바탕으로 DCGAN 을 이용한 레벨 생성 방법을 제안하여, 관련 레벨의 구성 블록에 따른 테스트를 진행하였다. 그 결과 75%이상의 플레이 가능한 레벨이 생성되었으며, 3 개 이상의 블록의 조건에서도 72% 플레이 가능한 레벨을 만들었다. 따라서 레벨 디자이너가 제안한 DCGAN 을 이용해서 레벨 생성이 가능하다는 것을 보여주었다. 그리고 레벨 디자이너가 생성한 레벨에 대한 플레이테스팅 연구는 Match 3 게임에서는 몬테카를로 트리검색(MCTS)과 컨볼루션 신경망(CNN)을 활용하려고 시도했지만, 관련 훈련은 시간 소모적이고 데이터 수집이 어렵기 때문에 이러한 방법의 적용 가능성은 제한적이다. 이 문제를 해결하기 위해 Match 3 게임 내의 전략적인 플레이를 5 가지로 정의하였으며, 이를 이용한 강화학습을 통해서 상황에 맞는 게임 플레이테스팅을 진행하였다. 제안된 에이전트는 실험에서 가장 복잡한 임무에 대해 인간 수행의 5% 범위 내에서 수행했다. 따라서 레벨 디자이너가 다양한 미션을 테스트하여 레벨의 난이도를 측정하는 것이 가능하다는 것을 확인했다. 본 논문에서는 Match 3 게임의 다양한 레벨 디자인에 필요한 레벨 생성과 플레이테스팅에 대한 기준을 제시한다.
영상학과 영상공학-디지털이미징 전공 중앙대학교 첨단영상대학원
레벨 디자인 과정은 게임 개발의 난이도를 결정하는 중요한 개발단계로써 레벨의 기획과 생성, 플레이테스팅을 거쳐서 게임의 완성도가 결정된다. 그렇기 때문에 레벨을 차례대로 클리어하면서 재미를 느끼는 Match 3 게임 분야에서 레벨 디자인은 중요하며 그 핵심은 레벨의 생성과, 플레이테스팅이다. 레벨 생성 분야는 유전자, 진화 알고리즘을 비롯해 딥러닝을 이용한 GAN, LSTM 등 다양한 방법으로 연구가 진행되고 있다. 그러나, Match 3 게임에서는 훈련 데이터 확보의 어려움과, 개발 환경 구축 어려움으로 레벨 생성 연구가 거의 전무하다. 그래서 본 논문에서는 상용 Match 3 게임의 레벨 데이터를 확보하여 해당 데이터를 바탕으로 DCGAN 을 이용한 레벨 생성 방법을 제안하여, 관련 레벨의 구성 블록에 따른 테스트를 진행하였다. 그 결과 75%이상의 플레이 가능한 레벨이 생성되었으며, 3 개 이상의 블록의 조건에서도 72% 플레이 가능한 레벨을 만들었다. 따라서 레벨 디자이너가 제안한 DCGAN 을 이용해서 레벨 생성이 가능하다는 것을 보여주었다. 그리고 레벨 디자이너가 생성한 레벨에 대한 플레이테스팅 연구는 Match 3 게임에서는 몬테카를로 트리검색(MCTS)과 컨볼루션 신경망(CNN)을 활용하려고 시도했지만, 관련 훈련은 시간 소모적이고 데이터 수집이 어렵기 때문에 이러한 방법의 적용 가능성은 제한적이다. 이 문제를 해결하기 위해 Match 3 게임 내의 전략적인 플레이를 5 가지로 정의하였으며, 이를 이용한 강화학습을 통해서 상황에 맞는 게임 플레이테스팅을 진행하였다. 제안된 에이전트는 실험에서 가장 복잡한 임무에 대해 인간 수행의 5% 범위 내에서 수행했다. 따라서 레벨 디자이너가 다양한 미션을 테스트하여 레벨의 난이도를 측정하는 것이 가능하다는 것을 확인했다. 본 논문에서는 Match 3 게임의 다양한 레벨 디자인에 필요한 레벨 생성과 플레이테스팅에 대한 기준을 제시한다.
Major in Imaging Engineering-Digital Imaging Department of Multimedia & Film The Graduate School of Advanced Imaging Science, Chung-Ang University
The level design process is an important development stage that determines the level difficulty of game development. The planning, prod...
Major in Imaging Engineering-Digital Imaging Department of Multimedia & Film The Graduate School of Advanced Imaging Science, Chung-Ang University
The level design process is an important development stage that determines the level difficulty of game development. The planning, production, and playtesting are followed to determine the completeness of the game. Therefore, level design is important in the field of Match 3 games that are fun to clear the level in turn, and the core is level creation and playtesting. Level generation fields are being studied in various ways such as genetic and evolutionary algorithms, as well as GAN and LSTM using deep learning. However, there are almost no studies on level generation in Match 3 games due to difficulties in securing training data and difficulty in building a development environment. Therefore, in this paper, we propose a level generation using DCGAN based on the level data of commercial Match 3 games and test according to the composition block of the relevant level. As a result, more than 75% of created levels were playable, and 72% of created levels were playable under the conditions of three or more blocks. Therefore, it shows that level generation can be replaced with the proposed method.
Major in Imaging Engineering-Digital Imaging Department of Multimedia & Film The Graduate School of Advanced Imaging Science, Chung-Ang University
The level design process is an important development stage that determines the level difficulty of game development. The planning, production, and playtesting are followed to determine the completeness of the game. Therefore, level design is important in the field of Match 3 games that are fun to clear the level in turn, and the core is level creation and playtesting. Level generation fields are being studied in various ways such as genetic and evolutionary algorithms, as well as GAN and LSTM using deep learning. However, there are almost no studies on level generation in Match 3 games due to difficulties in securing training data and difficulty in building a development environment. Therefore, in this paper, we propose a level generation using DCGAN based on the level data of commercial Match 3 games and test according to the composition block of the relevant level. As a result, more than 75% of created levels were playable, and 72% of created levels were playable under the conditions of three or more blocks. Therefore, it shows that level generation can be replaced with the proposed method.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.