g用上强化学习和博弈论，EA开发的测试AI成精了( 二 )

其中，对抗强化生成路径的通过率明显高于其他两种。

文章插图

此外，因为具有对未知环境泛化的能力，这个AI训练好后还可以被用于实时测试。
它可以在未知路段中构建出合理的通过路线，并能反馈路径中的障碍或其他问题的位置。

文章插图

此外，这个AI还能被用于不同的游戏环境，在这篇论文中，EA还展示了它在赛车游戏环境中的表现情况。

文章插图

在这个场景下，生成器可以创建不同长度、坡度、转弯的路段，解算器则变成了小车在上面行驶。
如果在生成器中添加光线投射，还能在现有环境中导航。
在这种情况下，我们看到生成器在不同障碍物之间创建行驶难度低的轨道，从而让小车到达终点（图中紫色的球）。

文章插图

为测试大型开放游戏论文一作Linus Gisslén表示，开放世界游戏和实时服务类游戏是现在发展的大势所趋，当游戏中引入很多可变动的元素时，会产生的bug也就随之增多。
因此游戏测试变得非常重要。
目前常用的测试方法主要有两种：一种是用脚本自动化测试，另一种是人工测试。
脚本测试速度快，但是在复杂问题上的处理效果不好；人工测试刚好相反，虽然可以发现很多复杂的问题，但是效率很低。
而AI刚好可以把这两种方法的优点结合起来。

文章插图

事实上，EA这次提出的新方法非常轻便，生成器和求解器只用了两层具有512个单元的神经网络。
Linus Gisslén解释称，这是因为具有多个技能会导致模型的训练成本非常高，所以他们尽可能让每个受过训练的智能体只会一个技能。
他们希望之后这个AI可以不断学习到新的技能，让人工测试员从无聊枯燥的普通测试中解放出来。
此外EA表示，当AI、机器学习逐渐成为整个游戏行业使用的主流技术时，EA也会有充分的准备。
论文链接：

https://arxiv.org/abs/2103.04847参考链接：

[1]https://venturebeat.com/2021/10/07/reinforcement-learning-improves-game-testing-ai-team-finds/
[2]https://www.youtube.com/watch?v=z7q2PtVsT0I— 完 —
【 g用上强化学习和博弈论，EA开发的测试AI成精了】量子位 QbitAI · 头条号签约