보고서 정보
주관연구기관 |
세종대학교 Sejone university |
연구책임자 |
김경중
|
보고서유형 | 최종보고서 |
발행국가 | 대한민국 |
언어 |
한국어
|
발행년월 | 2016-06 |
과제시작연도 |
2015 |
주관부처 |
미래창조과학부 Ministry of Science, ICT and Future Planning |
등록번호 |
TRKO201700011243 |
과제고유번호 |
1711024150 |
사업명 |
중견연구자지원 |
DB 구축일자 |
2017-10-12
|
키워드 |
계산 지능.비디오 게임.적응.게임 플레이어.사용자 모델링.능동 학습.데이터 마이닝.콘텐츠 생성.암묵적 피드백.Computational Intelligence.Video Game.Adaptation.Game Player.User Modeling.Active Learning.Data Mining.Content Generation.Implicit Feedback.
|
DOI |
https://doi.org/10.23000/TRKO201700011243 |
초록
▼
□ 연구의 목적 및 내용
비디오 게임은 비디오 화면을 통해 상호작용하는 모든 종류의 게임을 지칭하며, 최근의 콘솔게임, 스마트폰 게임, 온라인 게임 등을 모두 포함하는 용어이다. 현재의 비디오 게임은 출시 단계에서 게임의 내용이 고정되어 있기 때문에 사용자가 플레이 하는 동안 지루함을 느끼기 쉽다. 반면, 적응형 비디오 게임은 사용자를 모델링하고 사용자의 행동을 예측하며, 사용자가 직접 콘텐츠를 생성할 수 있도록 허용하여 사용자의 흥미를 높인다. 일반적으로 비디오 게임에서의 무작위로 조합 가능한 콘텐츠의 경우의 수는 무한하기
□ 연구의 목적 및 내용
비디오 게임은 비디오 화면을 통해 상호작용하는 모든 종류의 게임을 지칭하며, 최근의 콘솔게임, 스마트폰 게임, 온라인 게임 등을 모두 포함하는 용어이다. 현재의 비디오 게임은 출시 단계에서 게임의 내용이 고정되어 있기 때문에 사용자가 플레이 하는 동안 지루함을 느끼기 쉽다. 반면, 적응형 비디오 게임은 사용자를 모델링하고 사용자의 행동을 예측하며, 사용자가 직접 콘텐츠를 생성할 수 있도록 허용하여 사용자의 흥미를 높인다. 일반적으로 비디오 게임에서의 무작위로 조합 가능한 콘텐츠의 경우의 수는 무한하기 때문에, 적응 기술을 개발하기 위해서는 계산지능 기술의 지원이 필요하다. 본 연구에서는 게임로그, 상호작용 데이터, 사용자 평가 등을 활용하여 게임을 적응적으로 만들기 위한 계산지능 기술에 대한 연구를 진행한다.
□ 연구결과
적응형 비디오 게임은 출시당시의 형태로 게임이 고정되어 있는 것이 아니라 사용자의 흥미와 재미를 위해 변화를 줄 수 있어야 한다. 변화의 대상은 게임을 이루는 콘텐츠이며 지도, NPC (Non-Player Character), 배경, 퀘스트, 아이템 등을 포함한다. 변화의 목적이 게임 플레이어의 재미와 흥미를 높이는데 있기 때문에, 사용자로부터 정보를 얻어 플레이어 모델을 구축하고 이를 토대로 콘텐츠를 변화하는 것이 필요하다. 본 과제에서는 적응형 비디오 게임을 만들기 위해 필요한 핵심 기술을 연구하였다. 1) 능동 학습을 이용한 게임 플레이어 모델링: 능동 학습이란 학습에 필요한 데이터를 능동적으로 수집하여 이용하는 것을 말한다. 플레이어의 의사결정 과정, 선호 그리고 게임 환경을 능동적으로 상호작용 하면서 학습하는 시스템을 구축하기 위해 Estimation-Exploration Algorithm, Query-by-Committee, 그리고 Upper Confidence Bound와 같은 다양한 능동학습 알고리즘을 연구하였다. 2) 오픈 데이터 기반 게임 적응 기술: 공개되어 있는 게임 데이터(게임리플레이 데이터, 게임 소셜 네트워크 데이터)를 활용해서 인공지능 시스템을 설계하였다. 이와 같은 데이터는 실제 인간 플레이어가 어떻게 게임을 플레이하는지를 보여주고 있기 때문에 적절히 활용될 경우, 보다 인간과 같은 게임 인공지능을 구현할 수 있도록 도와준다. 3) Multimodal 입력을 이용한 게임 콘텐츠 자동생성: 게임 플레이어들은 게임의 일부분을 자신이 원하는 형태로 수정해 보고 싶은 욕구가 있다. 하지만, 새로운 게임콘텐츠를 만드는 일은 비전문가인 게임 플레이어들에게 쉽지 않은 일이다. 이 연구에서는 다양한 입력 신호를 바탕으로 게이머의 의도를 반영한 콘텐츠를 자동으로 생성해주는 시스템을 연구하였다. 오픈소스 게임 및 자체 구축한 플랫폼을 이용해, 플레이어들의 의도를 반영한 다양한 데이터를 입력 받아 새로운 콘텐츠를 제공하는 시스템을 구축하였다.
□ 연구결과의 활용계획
비디오 게임은 사람들에게 즐거움을 주는 동시에 산업적으로 중요한 제품 중의 하나이고 학술적으로도 풀리지 않은 많은 문제들을 가지고 있는 연구 대상이다. 최근에는 게임플레이어의 즐거움뿐만 아니라 교육, 심리/물리 치료, 고난도 문제해결 등 다양한 목적을 위해 비디오 게임을 사용하려는 시도가 이루어지고 있다. 본 연구는 비디오 게임을 사용자마다 다른 형태로 즐길 수 있도록 하기 위해 필요한 자동화 기술을 다루었으며, 이는 맞춤형 게임 제작을 위해 중요하게 활용될 수 있다. 게임 디자이너는 자동화 기술을 효과적으로 활용하여 보다 새로운 게임 경험을 제공하는 서비스를 제공할 수 있으며, 이는 제품을 차별화하는데 도움을 줄 수 있다.
( 출처 : 요약문 4p )
Abstract
▼
□ Purpose&contents
A video game is an electronic game that involves human interaction with a user interface to generate visual feedback on a video device. In video games, content is often rather static and rigid, its script-based nature can lead to predictable and impersonal game play. On the oth
□ Purpose&contents
A video game is an electronic game that involves human interaction with a user interface to generate visual feedback on a video device. In video games, content is often rather static and rigid, its script-based nature can lead to predictable and impersonal game play. On the other hands, adaptive video games attempt to model game players, predict future behaviors and provide tools for game contents generation. This project focuses on the use of computational intelligence algorithms with game logs, interaction data, and user evaluations for adaptative video games.
□ Result
It's challenging to keep game players engage to video games because they lose their interest soon if the game is too difficult or easy to play. In addition, game players consume game contents quickly and stop to play when they feel boredom. In this study, we propose several computational intelligence techniques to help video game makers utilizing adaptive contents generation. Game contents include scenario, quest, level, maps, characters, items and rules. At first, we propose to adopt active learning algorithms to model game players from their activities. 1) Active learning for game player modeling: Active observation can help to increase efficiency of game player modeling by collecting data selectively. It can save time and the amount of data to construct highly accurate player models for video games. Secondly, we demonstrated the potential of open data for contents adaptation. 2) Game contents adaptation using open data: It allows video games to adapt contents by distilling knowledge from open resources. For example, AI player can imitate human's play styles from tons of human replays. Finally, the contents adaptation system was designed to support multimodal input data. 3) Adaptation with multimodal inputs: It aims to adapt contents based on novel multimodal interaction through games. For example, they're tested with bio signals, in-game data, open data, and context information.
□ Expected Contribution
Nowadays, video game industry can collect tons of data from game players and utilize them to enhance gaming experience. They help to understand game players behaviors and adapt game contents to individual or group of players. Our study can contribute to the use of computational intelligence techniques in modelling game players, and exploiting open data and multimodal inputs for adaptive video games.
Although our study focused on video games, the outcomes can also be useful for other types of online services.
( 출처 : SUMMARY 5p )
목차 Contents
- 표지 ... 1목차 ... 2연구계획 요약문 ... 3연구결과 요약문 ... 4 한글요약문 ... 4 SUMMARY ... 5연구내용 및 결과 ... 6 1. 연구개발과제의 개요 ... 6 2. 국내외 기술개발 현황 ... 9 3. 연구수행 내용 및 결과 ... 12 4. 목표달성도 및 관련분야에의 기여도 ... 14 5. 연구결과의 활용계획 ... 36 6. 연구과정에서 수집한 해외 과학기술정보 ... 38 7. 주관연구책임자 대표적 연구실적 ... 43 8. 참고문헌 ... 43 9. 연구성과 ... 47 10. 국가과학기술지식정보서비스에 등록한 연구시설‧장비 현황 ... 58 11. 연구개발과제 수행에 따른 연구실 등의 안전조치 이행실적 ... 58 12. 기타사항 ... 58끝페이지 ... 58
※ AI-Helper는 부적절한 답변을 할 수 있습니다.