VR+强化学习 格斗游戏相关文献资料

整体思路：

自训练AI  -> 玩家键盘接入交互 -> 搭虚拟环境 -> 体感交互(Kinect) -> VR设备+体感交互

对手Agent模块设计：

这块主要用强化学习来做

存在的问题：AI强度设置（已有相关论文研究AI强度适宜问题） 【见另一个文档】

主要需要关心：玩家的舒适/满意度

 

FightingICE

 

核心思想：设置一个Balancing Constant（平衡常数）值，在格斗游戏中，这个值往往设置成双方生命量的差异。

观测参数设置：

物理空间：Agent和玩家之间的距离

平衡常数：Agent的生命量与玩家的生命量之间的差值以及Agent所获得的奖励类型（切分成三种Reward，在BC之内、高于和低于BC）

与动作有关的信息：Agent和玩家的最后一个动作，以及一个离散值，该值告诉我们玩家从最后一次观测起是否改变了动作

所有这些值都在-1和1之间进行了归一化提升性能。

Action：训练时利用自训练，两个Agent都可以移动（目前设想是前后左右四个方法），躲避（蹲、跳）和攻击（踢，拳击）。

 

存在的问题点：

AI决策刷新时间，其他论文研究，类似的格斗游戏最佳更新决策时间为9秒。（仅供参考）

玩家难易度：据相关研究，最佳难度区间控制在玩家的胜率平均在50%（实验结果Agent胜率略低于50%时，玩家反馈最佳）

思考（目前没找到理论支撑）：有一个会影响全局的决策更佳。

玩家交互方法：

VR格斗游戏背景意义：

体感交互（姿态识别）：

常规方法：

• Kinect，

优势：资源占用，性能开销低，姿态定义API相对规范

不足：识别率有限

• 传统相机+Deep Learning（Open Pose）

帧数不足是最大问题，交互动作和关节坐标位置对应的姿态 需要额外设计规范

 

目前想法：利用Kinect参考相关格斗游戏论文定义相关姿态动作，结合武术等心理学以及人体工程学理论知识。

 

相关格斗游戏动作定义：

VR/体感格斗游戏背景意义

1. 针对性：（类似于下肢残疾的人能和身体正常的人进行搏斗，克服个人身体上的差异障碍）

通用设计游戏控制器和运动跟踪器控件使任意两个玩家在VR游戏领域中能够相互搏斗，克服了个人身体上的差异障碍。 在身体残障人士和专业混合武术战斗人员之间。 根据现场研究，提出了通用设计游戏控制器，用于上肢残疾。 身体受到挑战的玩家可以使用建议的控制器控制VR游戏角色，并通过可穿戴的反馈设备体验与身体振动搏斗的感觉。

 

1. 通用性：很常见的几种研究背景：肥胖、HCI

VR游戏为玩家提供了使用动作自然互动的新自由。 这使得设计能够令人信服地对玩家动作做出反应的游戏变得更加困难。 我们提出了一个针对虚拟角色的VR格斗战斗框架，简化了实现令人信服的仿真所需的技术工作。 该框架通过从交互的较低“物理”级别上的困难细节中抽象出来，从而简化了VR设计，使用数据驱动的模型来自动识别用户动作和合成字符动画。 设计人员可以使用参数化的构建块在更高的“语义”级别上指定角色的行为，从而可以控制体验，同时最大程度地减少手工开发工作。 我们进行了技术评估，问卷调查和互动用户研究。

随着VR逐渐成为最终用户在家中可以访问的商品化媒体，人们对该技术的可能性提出了更高的期望。 从用户的角度来看，虚拟现实应该允许我们将基于屏幕的传统产品转化为具体的体验，使人们可以从“内部”直接与虚拟世界进行互动。 但是，设计虚拟世界的机制并不总是那么简单。 由于用户动作的不可预测性，近距离交互特别困难，并且在非沉浸式环境（例如基于屏幕的视频游戏）中使用的常规方法无法很好地推断到VR。

 

如今，视频游戏种类繁多。 格斗游戏是一种类型的游戏，其中一个或多个玩家参与格斗战斗。 传统上，游戏角色是通过游戏手柄和键盘来控制的。 然而，使用这些设备玩视频游戏已成为降低活动水平和儿童肥胖风险的一个重要方法。 2010年，Kinect被Microsoft发明为通过手势和语音命令玩游戏的输入设备。 它震撼了视频游戏体验，并导致了物理互动游戏市场。 Kinect最近不仅引起了游戏玩家的关注，而且也引起了姿势识别或体育锻炼促进研究人员的广泛关注。 不幸的是，局限性在于Kinect捕获的原始数据是关节位置数据，这些数据本身无法描述人体姿势。 因此，需要一种用于基于Kinect数据来实现姿势检测算法的方法。 本文的目的是开发用于战斗游戏的Kinect界面。 我们提出了一种用于控制2D格斗游戏角色的身体姿势和动作（姿势序列）的设计，以及一种用于优化姿势检测算法的整体准确率的方法。 尽管可以在不需要访问游戏源代码的任何游戏中测试该界面，但由于本实验涵盖了格斗游戏类型的基本功能，因此本实验选择了FightingICE1作为试验研究。

 

人机交互（HCI）通常要求学者在其专业以外的领域进行研究，从而冒着基础工作被误解和歪曲的风险。 旨在减轻肥胖的“运动游戏”研究的主要目标似乎建立在对健康研究的这种误解之上。 在本文中，我们分析了单个影响研究的所有引用，该研究被广泛引用以证明对游戏的研究是合理的。 我们根据375条被引文献是准确还是不准确地代表了该研究的发现进行分类。 我们的发现表明，有69％的exergames论文引用了该研究的陈述，从而歪曲了这一发现，表明exergames研究的学术性系统失败。 我们认为，过度运动研究应不再集中于治疗肥胖的游戏，而人机交互出版物应要求人机交互以外的研究更具批判性和学术性。 作者关键词练习； 游戏； 劳累游戏； 健康; 肥胖ACM分类关键字H.5.m. 信息接口和表示（例如HCI）：其他

 

摘要—本文提出了一种运动游戏AI，该游戏鼓励玩家以平衡的方式使用身体的各个部位，同时提高其娱乐性。 拟议的AI使用时间序列预测来预测其对手人类玩家将对AI的候选动作执行哪些动作，由此结果估算出人类玩家身体各部位相对于AI的动作量（动量） 行动。 AI最终选择一个动作，目的是使玩家身体两侧的身体动量相等。 在此AI中，采用蒙特卡洛树搜索（MCTS）进行候选动作选择，并嵌入了动态难度调整（DDA）机制以增强游戏的趣味性。 我们的结果提供了一个有力的证据，表明在玩游戏时可以使用对手的游戏AI来有效地改善玩家的平衡，享受，投入，个人满足感。

 

全身运动游戏对于预防肥胖和促进健康锻炼很有用。 但是，对于不健康运动可能引起的不良影响，人们并没有给予太大的关注[3]。 例如，肌张力障碍可以由身体部位的不均衡使用引起。 需要一种鼓励健康运动以减轻不良影响的功能。我们之前曾介绍过一款对手格斗游戏AI（非玩家角色或NPC），在每个动作游戏中都会秘密地促进玩家的健康。 它基于对每个候选动作将如何激活玩家移动以及对玩家健康的影响的预测来确定其下一个动作。 人工智能从用于运动控制的中间件UKI接收代表身体运动的数据（将在II-A中进行讨论），其目标是促进玩家身体部位的平衡使用，尽管如此，我们以前的人工智能无法跟随玩家的变化 为了克服上述问题，我们提出了一种使用时间序列预测（TSF）来预测玩家运动的AI。 四种TSF方法，即自回归综合移动平均（ARIMA），指数平滑状态空间模型（ETS），自然预测和基于平均值的预测（均值），并对其进行了测试，我们还添加了动态机制 难度调整以基于流程理论提高游戏乐趣。下一部分将给出研究背景和相关现有工作，然后分别是建议的方法，实验和结果部分。

 

我们提出了一种具有针对TSF和DDA的机制的动作游戏AI，该机制可以促使玩家以平衡的方式进行娱乐。 我们的结果表明，与非典型的MCTS AI相比，拟议中的AI可以在游戏过程中显着提高平衡，娱乐，投入和个人满足感。 我们未来的工作包括添加用于估算卡路里消耗和分析运动强度的功能