Details

Данная работа посвящена повышению качества и снижению трудоёмкости процедурной генерации игрового контента путём применения свёрточной нейросетевой модели для размещения объектов в локациях вместо ручных правил и алгоритмов. Проведён анализ предметной области процедурной генерации контента, классических алгоритмических подходов и существующих нейросетевых решений. Предложен комбинированный метод процедурной генерации игровой локации, в котором геометрия формируется классическими алгоритмами на основе шумовых функций, клеточных автоматов и двоичного разбиения пространства, а размещение объектов выполняется свёрточной нейронной сетью архитектуры U-Net с двумя выходными головами. Спроектирована архитектура программной системы из шести подсистем, реализующая как классический, так и комбинированный методы. Реализован прототип видеоигры на движке Godot с подсистемами генерации поверхностных и пещерных локаций для обоих методов наполнения контентом. Обучение нейросетевой модели выполнено на языке Python с использованием PyTorch, а обученная модель выполняется в игровом движке средствами ONNX Runtime. Проведён сравнительный анализ методов по пяти количественным и одной качественной метрике на 40 запусках. В результате показано, что нейросетевой метод размещения выполняет полную генерацию локации в 2,3–2,4 раза быстрее классического, обеспечивает большую стабильность времени работы и числа объектов на поверхностной локации и требует существенно меньшего объёма ручной конфигурации при добавлении новых типов объектов.

The bachelors thesis is devoted to improving the quality and reducing the labor cost of procedural content generation in video games by applying a convolutional neural network for object placement instead of hand-crafted rules and algorithms. The work analyses the domain of procedural content generation, classical algorithmic approaches and existing neural-network solutions. It proposes a combined method of procedural game location generation, in which the geometry is formed by classical algorithms based on noise functions, cellular automata and binary space partitioning, while object placement is performed by a convolutional U-Net with two output heads. A software system architecture of six subsystems has been designed, implementing both the classical and the combined methods. A prototype video game has been implemented on the Godot engine, with subsystems for generating surface and cave locations for both content placement methods. The neural network model is trained in Python using PyTorch, and the trained model runs inside the game engine through ONNX Runtime. The two methods are compared over 40 runs using five quantitative metrics and one qualitative metric. The results show that the neural network placement method performs full location generation 2.3–2.4 times faster than the classical one, provides greater stability of running time and object count on surface locations, and requires substantially less manual configuration when new object types are added.