동적 게임 난이도 밸런싱

Dynamic game difficulty balancing

DGDB(Dynamic Game 난이도 조정) 또는 DGB(Dynamic Game Balancing)는 플레이어가 지루하거나 좌절하지 않도록 하기 위해 플레이어의 능력에 따라 실시간으로 비디오 게임의 파라미터, 시나리오 및 동작을 자동으로 변경하는 프로세스입니다.너무 어렵다).동적 난이도 밸런싱의 목표는 사용자의 관심을 처음부터 끝까지 유지하여 적절한 수준의 도전을 제공하는 것입니다.

전통적으로 게임 난이도는 게임을 진행하면서 (평활하게 선형적으로 또는 레벨로 표시되는 단계를 통해) 꾸준히 높아집니다.이 증가의 파라미터(속도, 주파수, 시작 레벨)는 경험 시작 시 난이도를 선택하여만 변조할 수 있습니다.그러나 이는 경험이 많은 게이머와 경험이 부족한 게이머 모두에게 좌절감을 줄 수 있습니다. 미리 선택된 학습이나 난이도 곡선을 따르려고 하면 게임 개발자에게 많은 어려움이 따르기 때문입니다. 그 결과, 이러한 게임 플레이 방법은 널리 [citation needed]보급되지 않았습니다.

동적 게임 요소

동적 난이도 밸런싱을 통해 변경될 수 있는 게임 요소는 다음과 같습니다.

  • 적의 속도
  • 적의 건강
  • 적의 빈도
  • 전원 투입 빈도
  • 플레이어의 힘
  • 적의 힘
  • 게임 체험 기간

접근

[A] 선수는 게임으로 작업하며 점수는 꾸준한 향상을 반영해야 합니다.초보자는 어느 정도 진보를 할 수 있어야 하고, 중급자는 중간 점수를 받아야 하며, 경험이 많은 선수는 높은 점수를 받아야 한다.이상적으로 진행은 자동으로 이루어집니다. 플레이어는 초보자 수준에서 시작하고 컴퓨터가 숙련된 플레이를 인식함에 따라 고급 기능이 제공됩니다.

--

동적 게임 난이도 균형을 해결하기 위한 다양한 접근법이 문헌에서 발견됩니다.모든 경우 사용자가 특정 순간에 직면하고 있는 어려움을 암묵적으로 또는 명시적으로 측정할 필요가 있습니다.이 측정은 일부 저자가 "도전 함수"라고 부르는 휴리스틱 함수에 의해 수행될 수 있습니다.이 함수는 주어진 게임 상태를 특정 순간에 사용자에게 게임이 얼마나 쉬운지 또는 얼마나 어려운지를 지정하는 값에 매핑합니다.사용된 휴리스틱의 예는 다음과 같습니다.

  • 슛 또는 히트 성공률
  • 원과 분실물의 수
  • 라이프 포인트
  • 진화
  • 일부 작업을 완료할 시간

... 또는 게임 점수를 계산하는 데 사용되는 모든 메트릭.크리스 크로포드는 경기 내 시간 함수로 일반적인 선수의 점수를 그래프로 만든다면 그 그래프는 완만하고 꾸준히 위로 기울어진 곡선을 보여줘야 한다.나는 그런 게임을 긍정적인 단조로운 곡선을 가진다고 묘사한다.그런 곡선이 없는 경기는 "너무 어렵거나 너무 쉬워 보인다"고 그는 말했다.[1]

Hunicke와 Chapman의 접근 방식은[2] 도전을 더 쉽게 또는 더 어렵게 만들기 위해 게임 환경 설정을 제어합니다.예를 들어, 게임이 너무 어렵다면, 플레이어는 더 많은 무기를 얻거나, 더 빨리 생명 포인트를 회복하거나, 적을 상대할 수 있습니다.이 접근방식은 효과적일 수 있지만, 그 적용은 신뢰할 수 없는 상황을 초래할 수 있습니다.간단한 접근법은 이러한 "파라미터 조작"을 일부 메커니즘에 결합하여 논플레이어 캐릭터(컴퓨터에 의해 제어되며 일반적으로 인텔리전트 에이전트로 모델링된 문자)의 동작을 수정하는 것입니다.그러나 이 조정은 '고무 밴드' 효과를 피하기 위해 적당히 수행해야 합니다.레이싱 게임에서 이러한 효과의 한 예는 마치 두 차량이 큰 고무 밴드로 연결된 것처럼 플레이어의 차량 뒤에 있을 때 AI 운전자의 차량이 상당히 빨라지고 앞에 있을 때 상당히 느려지는 것입니다.

이러한 에이전트의 인텔리전스는 게임 개발 중에 정의된 행동 규칙을 사용하는 것이 기존의 구현 방식입니다.격투 게임의 일반적인 규칙은 "상대가 도달할 수 있으면 때리고, 그렇지 않으면 쫓아간다"고 명시되어 있습니다.이러한 접근방식을 경쟁 모델링을 포함하도록 확장하는 것은 Spronck 등을 통해 이루어질 수 있다.의 [3][4]다이내믹스크립트.각 규칙에 선택될 가능성이 할당됩니다.룰 웨이트는 상대 스킬에 따라 게임 전체에서 동적으로 갱신되어 특정 사용자에게 적응할 수 있습니다.간단한 메커니즘으로 현재 선수에게 너무 강하지도 약하지도 않은 전술을 만들어 내는 규칙을 선택할 수 있습니다.

Andrade [5]등은 DGB 문제를 역량(가능한 한 학습)과 성능(필요한 만큼 행동)의 두 가지 차원으로 나눕니다.능력과 성과 사이의 이 [6]이분법은 노암 촘스키가 제안한 것처럼 언어학에서 잘 알려져 연구되고 있다.이러한 접근 방식은 강화 학습(RL)을 통해 두 가지 차원에 모두 직면합니다. 오프라인 교육은 학습 프로세스를 부트스트랩하는 데 사용됩니다.이것은 에이전트가 자기 자신(셀프 러닝), 다른 사전 프로그래밍된 에이전트 또는 인간 플레이어와 경쟁하도록 함으로써 수행할 수 있습니다.그런 다음 온라인 학습은 초기에 내장된 지능을 각각의 특정 인간 상대에게 지속적으로 적응시켜 상대와 경쟁할 수 있는 가장 적합한 전략을 발견하기 위해 사용됩니다.퍼포먼스에 관해서는 에이전트와 휴먼 플레이어를 거의 같은 퍼포먼스 레벨로 유지하는 액션과 같은 게임 밸런스를 제공하는 액션을 선택하기 위한 적절한 정책을 찾는 것이 아이디어입니다.에이전트는 플레이어가 직면한 난이도에 따라 기대 성능이 높거나 낮은 액션을 선택합니다.주어진 상황에서, 게임 레벨이 너무 어렵다면, 에이전트는 최적의 액션(RL 프레임워크에 의해 제공되는)을 선택하는 것이 아니라, 플레이어의 퍼포먼스가 플레이어의 퍼포먼스만큼 좋을 때까지 점점 덜 최적의 액션들을 선택한다.마찬가지로 게임 레벨이 너무 쉬워지면 최적의 퍼포먼스에 도달할 때까지 값이 높은 액션을 선택합니다.

Demasi와[7] Cruz는 유전자 알고리즘 기술을 사용하여 사용자 수준에 가장 적합한 에이전트를 구축했습니다.온라인 공진화는 학습 과정을 가속화하기 위해 사용됩니다.온라인 공진화는 유전자 조작의 부모로서 사전 정의된 모델(유전학적 특징이 좋은 에이전트)을 사용하기 때문에 진화가 그들에 의해 편향된다.이러한 모델은 에이전트 유전자 인코딩이 충분히 간단한 경우 오프라인 교육 또는 수작업으로 구성됩니다.

DGB 분야의 다른 연구는 시청각적 특징, 컨텍스트 또는 게임의 장르가 아닌 플레이어와 상대편 간의 상호작용이 컴퓨터 [8]게임의 엔터테인먼트 품질 특징의 대부분을 기여하는 속성이라는 가설을 기반으로 한다.이 기본적인 가정에 근거해, 포식자/사료 게임의 리얼 타임 엔터테인먼트 가치를 측정하는 메트릭을 도입해, 인간의 판단에 대한 검증에 의해서 효율적이고 신뢰할 수 있는 것으로서 확립했다.

Yannakakis과 Hallam[9]에 의해 계속된 연구에서, 인공 신경 네트워크와 퍼지 신경 네트워크 서비스는human-designed이 게임의 도전과 호기심(게임 스토리를 본질적인 질적 요인들 말론에 따라)[10]의 적절한 estimators보다 선수 만족도 더 좋은 견적인 추출할 수 있(ANN)을 보여 주었다. 그리고 data 인간 플레이어의 선호도에 대해 설명합니다.어느 종류의 게임이 어느 정도 재미있는지에 대한 답을 예측할 수 있는 게임 플레이어의 사용자 모델을 구성하는 접근방식을 엔터테인먼트 모델링이라고 정의합니다.모델은 일반적으로 플레이어-게임 상호작용[11] 및/[12]또는 플레이 중에 기록된 플레이어의 생리 신호의 통계적 특징에서 파생된 게임 매개변수에 적용되는 기계 학습 기술을 사용하여 구성됩니다.이 기본적인 접근방식은 컴퓨터와 물리 양쪽의[9] 다양한 게임에 적용할 수 있습니다.

주의사항

예측 가능한 게임 없이 공정한 게임을 설계하는 것은 어렵다.[13]Andrew Rollings와 Ernest Adams는 이전 몇 가지 레벨에서 플레이어의 성적을 바탕으로 각 레벨의 난이도를 바꾼 게임의 예를 든다.선수들은 이를 눈치채고 일부러 어려운 레벨 이전의 레벨에서 서투른 플레이를 함으로써 도전적인 레벨을 극복하는 전략을 세웠다.저자는 난이도 적응의 존재를 은폐하여 참가자들이 이를 인식하지 [14]못하도록 하는 것이 중요하다고 강조한다.

최신 비디오 게임에서 사용

난이도 밸런싱의 초기 예는 1986년 컴파일에 의해 개발된 Zanac에서 찾을 수 있습니다.이 게임은 플레이어의 기술 수준, 사격 속도, 배의 현재 방어 상태/능력에 따라 난이도를 자동으로 조절하는 독특한 적응형 인공지능을 특징으로 했다.그 이전은 미드웨이의 1975년 총싸움 코인옵 게임에서 볼 수 있다.이 정면승부는 방금 쏜 선수 중 누구라도 경기장의 절반에 선인장 식물과 같은 새로운 추가 물체를 놓아 그들이 숨기 쉽게 함으로써 도움이 될 것이다.

Archon의 컴퓨터 상대는 시간이 지남에 따라 서서히 적응하여 플레이어가 [15]물리치도록 도와줍니다.Danielle Bunten은 M.U.L.E.와 Global Concept를 모두 설계하여 플레이어 간의 게임 플레이 균형을 동적으로 맞춥니다.무작위 이벤트는 1등 선수는 절대 운이 없고 꼴찌 선수는 절대 [16]운이 좋지 않도록 조정된다.

첫 번째 크래시 밴디쿠트 게임과 그 속편은 "동적 난이도 조정" 시스템을 사용하여 장애물을 늦추고, 추가 적중점을 주며, 플레이어의 사망 횟수에 따라 연속점을 추가한다.이 게임의 수석 디자이너인 제이슨 루빈에 따르면, 목표는 "더 나은 선수들을 위해 경기를 바꾸지 않고 더 약한 선수들을 돕는 것"[17]이었다.

비디오 게임 플로우는 2006년 플래시 버전으로 비디오 게임에 대한 정신적 몰입(플로우라고도 함)의 적용을 대중화한 것으로 유명하다.이 비디오 게임 디자인은 저자의 석사 논문에 기반을 두고 있으며, 나중에 플레이스테이션 3에 맞게 수정되었다.

2006년에 발매된 SiN Episodes는, 플레이어의 퍼포먼스에 의해서 상대하는 적의 수와 강인함이 달라져, 게임 전체의 도전의 레벨과 진행 속도를 보증하는 「퍼스널 챌린지 시스템」을 특징으로 하고 있다.개발사인 Requitical Entertainment는 매우 다른 수준의 능력을 가진 플레이어들이 서로의 [18]짧은 시간 내에 게임을 끝낼 수 있다고 주장했다.

2005년 레지던트 이블4는 공식 전략 가이드에 기재된 난이도 척도로 대부분의 플레이어에게 알려지지 않은 시스템을 채용했다.이 시스템은 플레이어의 퍼포먼스를 1~10의 수치 척도로 평가하여 플레이어의 퍼포먼스(사망, 치명적 공격 등)에 따라 사용하는 적의 행동/공격과 적의 데미지/저항을 모두 조정합니다.선택한 난이도는 플레이어를 특정 수치로 잠급니다. 예를 들어, 일반 난이도의 경우 4등급에서 시작하거나, 성적이 좋지 않으면 2등급으로, 잘하면 7등급으로 내려갈 수 있습니다.난이도 간 등급이 [19]겹칠 수 있습니다.

클로버 스튜디오가 개발하고, 레지던트 이블 4 감독 미카미 신지가 감독하고 캡콤이 플레이스테이션 2용으로 퍼블리싱한 2006년 게임인 갓 핸드는 게임 중에 미터를 사용하여 적의 지능과 힘을 조절한다.이 미터는 플레이어가 성공적으로 상대를 피하고 공격할 때 증가하며, 플레이어가 맞으면 감소합니다.미터는 4단계로 나뉘며, 가장 어려운 레벨은 "Level DIE"라고 불립니다.이 게임은 또한 세 가지 난이도가 있는데, 가장 어려운 난이도는 미터가 레벨 2까지 올라가도록 허용하는 반면, 미터는 레벨 2까지 잠근다.또한 이 시스템은 더 높은 레벨의 적을 물리칠 때 더 많은 보상을 제공합니다.

2008년작 레프트 포 데드는 인공지능 기술인 "AI 디렉터"[20]를 사용한다.AI Director는 게임을 할 때마다 절차적으로 플레이어들에게 다른 경험을 만들어 주기 위해 사용됩니다.각 플레이어의 성적과 팀워크를 감시하고, 수집한 정보를 바탕으로 플레이어를 공격하는 좀비의 수와 보스 감염 장소 등을 파악한다.디렉터는 또한 플레이어가 각 목표를 향해 레벨을 얼마나 빨리 이동하는지 판단한다.플레이어가 한 장소에 너무 오래 머무르거나 충분한 진전을 이루지 못한 것을 감지하면 공통 감염자 무리를 소환하여 플레이어와 AI 캐릭터가 현재 위치에서 이동하도록 강제하고 새로운 t와 싸울 것이다.페이싱 외에도 디렉터는 게임의 일부 비디오 및 오디오 요소를 제어하여 보스와의 만남을 위한 분위기를 조성하거나 플레이어의 [21]특정 영역에 대한 관심을 유도합니다.밸브는 디렉터가 작업하는 방식을 "절차적 서술"이라고 부르는데, 이는 단순히 일정한 수준으로 상승하는 난이도를 갖는 대신 A가 있기 때문입니다.I. 선수들이 지금까지 게임에서 어떻게 싸웠는지 분석하고,[22] 그들에게 서술적인 느낌을 줄 수 있는 후속 이벤트를 추가하려고 한다.

매든 NFL 09은 선수들의 스포츠 지식 및 다양한 상황에서의 능력에 대한 선택적 테스트로 시작하는 "매든 IQ"를 도입했습니다.점수는 게임의 [23][24]난이도를 조절하는 데 사용됩니다.

경기3인 Fishdom에서는 플레이어의 경기실적에 따라 시간제한이 조정된다.한 단계 실패하면 제한시간이 늘어나 몇 번 시도해도 한 단계 넘어갈 수 있다.

1999년 게임 홈월드에서는 플레이어의 함대가 얼마나 강력하다고 판단하느냐에 따라 각 미션에서 AI가 시작하는 함정 수가 정해진다.성공적인 선수들은 손실을 덜 감수하기 때문에 더 큰 함대를 가지고 있다.이렇게 여러 가지 미션에서 성공한 플레이어는 게임이 진행됨에 따라 점점 더 많은 도전을 받게 될 것이다.

폴아웃: 뉴베이거스와 폴아웃 3은 플레이어의 레벨이 높아짐에 따라 더 강한 변형의 적, 더 높은 통계와 더 나은 무기를 가진 적, 또는 새로운 적들이 오래된 난이도를 대체하여 슬라이더를 사용하여 지속적인 난이도를 유지할 수 있으며, 폴아웃 3에서는 경험 보너스와 함께 상승할 수 있습니다.이는 뉴베이거스에서도 가능하지만 난이도를 높이거나 낮추면 보너스가 없다.

마리오 카트 시리즈는 레이스 중에 개인 운전자가 상대를 앞설 수 있도록 도와주는 아이템을 특징으로 합니다.이러한 아이템은 동적 게임 난이도 밸런싱의 예로서 운전자의 위치에 따라 분배됩니다.예를 들어, 필드 바닥 근처에 있는 드라이버는 상대편보다 속도가 급격히 빨라지거나 속도가 급격히 느려지는 아이템을 얻을 가능성이 높은 반면, 1, 2위 드라이버는 이러한 아이템을 거의 얻을 수 없을 것으로 예상할 수 있으며, 게임의 약한 아이템을 받을 수도 있다.이 게임의 컴퓨터 레이서들은 또한 플레이어의 속도에 적응한다 - 선두 플레이어 레이서가 최고의 컴퓨터 레이서보다 너무 뒤쳐지면 속도가 느려지고, 그 반대도 마찬가지이다 - 경쟁 컴퓨터 레이서들이 먼저 플레이어를 따라잡기 때문이다.

플레이어 구매 행동을 형성하기 위한 사용 혐의

캘리포니아 북부지법에 대한 미국 지방법원의 집단 소송은 게임 개발사인 Electronic Arts가 자사의 EA 스포츠 프랜차이즈인 Madden NFL, FIFA 및 NHL에서 2017년 버전에 이르는 모든 게임에 대해 특허를 받은 동적 난이도 조정 기술을 사용했다고 비난했습니다.원고들은 EA가 플레이어 팩의 형태로 더 많은 전리품을 구매하도록 강요하기 위해 이 기술을 사용한다고 말하며, 이것은 사실상 높은 수준의 플레이어들도 그들이 해야 할 만큼 게임을 잘 하지 못하게 만든다고 말한다.

이 소송은 또한 EA가 플레이어에게 공개하지 않고 이 기술을 사용하고 있다는 것을 지적하고 있으며, EA는 소송에서 언급된 여러 게임에서 이 기술을 사용하는 것을 과거에 부인한 바 있다.이 주장에 대해 코멘트를 요구받았을 때, EA는 그 주장을 "근거가 없다"며 "우리 게임을 잘못 [25][26][27]표현했다"고 말했다.

「 」를 참조해 주세요.

레퍼런스

  1. ^ a b Crawford, Chris (December 1982). "Design Techniques and Ideas for Computer Games". BYTE. p. 96. Retrieved 19 October 2013.
  2. ^ Robin Hunicke; V. Chapman (2004). "AI for Dynamic Difficulty Adjustment in Games". Challenges in Game Artificial Intelligence AAAI Workshop. San Jose. pp. 91–96.
  3. ^ Tilburg 크리에이티브 컴퓨팅 센터의 Pieter Spronck 씨
  4. ^ P. Spronck; I. Sprinkhuizen-Kuyper; E. Postma (2004). "Difficulty Scaling of Game AI". Proceedings of the 5th International Conference on Intelligent Games and Simulation. Belgium. pp. 33–37.
  5. ^ G. Andrade; G. Ramalho; H. Santana; V. Corruble (2005). "Challenge-Sensitive Action Selection: an Application to Game Balancing". Proceedings of the IEEE/WIC/ACM International Conference on Intelligent Agent Technology (IAT-05). Compiègne, France: IEEE Computer Society. pp. 194–200.
  6. ^ 촘스키, 노암(1965).구문론의 측면.케임브리지, 매사추세츠: MIT 프레스.
  7. ^ P. Demasi; A. Cruz (2002). "Online Coevolution for Action Games". Proceedings of the 3rd International Conference on Intelligent Games and Simulation. London. pp. 113–120.
  8. ^ G. N. Yannakakis; J. Hallam (13–17 July 2004). "Evolving Opponents for Interesting Interactive Computer Games". Proceedings of the 8th International Conference on the Simulation of Adaptive Behavior (SAB'04); From Animals to Animats 8. Los Angeles, California, United States: The MIT Press. pp. 499–508.
  9. ^ a b G. N. Yannakakis; J. Hallam (18–20 May 2006). "Towards Capturing and Enhancing Entertainment in Computer Games". Proceedings of the 4th Hellenic Conference on Artificial Intelligence, Lecture Notes in Artificial Intelligence. Heraklion, Crete, Greece: Springer-Verlag. pp. 432–442.
  10. ^ Malone, T. W. (1981). "What makes computer games fun?". Byte. 6: 258–277.
  11. ^ Wheat, D; Masek, M; Lam, CP; Hingston, P (2015). "Dynamic difficulty adjustment in 2d platformers through agent-based procedural level generation". In 2015 IEEE International Conference on Systems, Man, and Cybernetics: 2778-2785. doi:10.1109/SMC.2015.485. ISBN 978-1-4799-8697-2. S2CID 19949213.
  12. ^ Chanel, Guillaume; Rebetez, Cyril; Betrancourt, Mireille; Pun, Thierry (2011). "Emotion Assessment from Physiological Signals for Adaptation of Game Difficulty". IEEE Transactions on Systems, Man, and Cybernetics - Part A: Systems and Humans. 41 (6): 1052–1063. doi:10.1109/TSMCA.2011.2116000. S2CID 8681078.
  13. ^ Barry, Tim (1981-05-11). "In Search of the Ultimate Computer Game". InfoWorld. pp. 11, 48. Retrieved 2019-04-17.
  14. ^ A. Rollings; E. Adams. "Gameplay" (PDF). Andrew Rollings and Ernest Adams on Game Design. New Riders Press.
  15. ^ Bateman, Selby (November 1984). "Free Fall Associates: The Designers Behind Archon and Archon II: Adept". Compute!'s Gazette. p. 54. Retrieved 6 July 2014.
  16. ^ "Designing People..." Computer Gaming World. August 1992. pp. 48–54. Retrieved 3 July 2014.
  17. ^ Gavin, Andy (2011-02-07). "Making Crash Bandicoot – part 6". All Things Andy Gavin. Retrieved 2016-09-03.
  18. ^ Monki (2006-05-22). "Monki interviews Tom Mustaine of Ritual about SiN: Emergence". Ain't It Cool News. Retrieved 2006-08-24.
  19. ^ Resident Evil 4: The Official Strategy Guide. Future Press. 4 November 2005.
  20. ^ "Left 4 Dead". Valve. Archived from the original on 2009-03-27.
  21. ^ "Left 4 Dead Hands-on Preview". Left 4 Dead 411.
  22. ^ Newell, Gabe (21 November 2008). "Gabe Newell Writes for Edge". edge-online.com. Archived from the original on 9 September 2012. Retrieved 2008-11-22.
  23. ^ "Madden NFL 09 프리시즌 리포트", 2008년 4월 25일
  24. ^ "Madden NFL 09 First Hands On", 2008년 5월 22일
  25. ^ Valentine, Rebekah. "EA faces yet another class-action lawsuit connected to loot boxes". GamesIndustry.biz. Retrieved 12 November 2020.
  26. ^ Hetfeld, Malindy (12 November 2020). "Class action lawsuit claims EA's dynamic difficulty tech encourages loot box spending". PC Gamer. Retrieved 12 November 2020.
  27. ^ McAloon, Alissa. "Class action lawsuit accuses EA of changing game difficulty to push loot boxes". www.gamasutra.com. Retrieved 12 November 2020.

추가 정보

외부 링크