Aprimoramento da Geração de Mapas em Jogos Digitais por Meio de Estratégias Avançadas em GANs

• Ano de defesa: 2025
• Autor(a) principal: Silva, Daniele Fernandes e
• Orientador(a): Aguiar, Marilton Sanchotene de
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pelotas
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação
• País: Brasil
• Palavras-chave em Português: Geração procedural de conteúdo; Geração de mapa; Geração de nível; Mapa procedural; Aprendizado profundo; Redes adversárias generativas; Procedural content generation; Map generation; Level generation; Procedural map; Deep learning; Generative adversarial networ
• Área do conhecimento CNPq: CIENCIAS EXATAS E DA TERRA
• Link de acesso: http://guaiaca.ufpel.edu.br/xmlui/handle/prefix/16210

A geração procedural de conteúdo (PCG) desempenha um papel fundamental na criação de mundos virtuais e na otimização da produção de jogos digitais, per mitindo a geração automática de níveis e mapas sem necessidade de intervenção manual. Com os avanços em aprendizado profundo, redes adversárias generativas (GANs) surgiram como uma abordagem promissora para a PCG, oferecendo a possibilidade de criar níveis diversificados e jogáveis. No entanto, ainda há desafios significativos da própria abordagem, como o mode-collapse, a instabilidade do treinamento e a dificuldade em garantir que os mapas gerados sejam válidos e coerentes para a jogabilidade. Essa pesquisa explora as políticas de ajuste das GANs aplicadas à geração de mapas para jogos de visão top-down, investigando estratégias para otimizar a diversidade e a validade dos mapas gerados. O problema central abordado nesta tese está relacionado à melhoria da qualidade dos níveis gerados por GANs, buscando responder à seguinte questão: como aprimorar modelos de redes generativas adversárias para maximizar a geração de níveis variados e jogáveis em jogos digitais? Para isso, são analisados diversos aspectos do treinamento dessas redes, incluindo a mitigação do mode-collapse, a avaliação da qualidade dos mapas gerados, o aumento da expressividade do conjunto de dados e a penalização da rede por heurísticas que favoreçam a jogabilidade. O objetivo principal deste trabalho é definir um conjunto de técnicas e metodologias que otimizem o ajuste de modelos GANs para a geração procedural de níveis em jogos digitais. Para isso, são propostas estratégias que aumentam a expressividade e a qualidade do conjunto de dados, minimizam problemas de treinamento das redes e garantem que os níveis gerados sejam tanto válidos quanto variados. Além disso, busca-se integrar abordagens interativas e heurísticas para tornar o processo generativo mais eficiente e adaptável às necessidades de diferentes tipos de jogos. A abordagem utilizada nesta pesquisa envolve a experimentação com diferentes arquiteturas de GANs, incluindo VanillaGAN, DCGAN e WGANGP, além da incorporação de técnicas como normalização espectral, bootstrapping e penalização por heurísticas. São exploradas métricas para avaliar a validade e a jogabilidade dos mapas gerados, bem como estratégias para condicionar a geração dos níveis controladamente. Os experimen tos são conduzidos com diferentes conjuntos de dados, comparando abordagens tradicionais de PCG com as soluções propostas. Os resultados obtidos demonstram que as estratégias desenvolvidas nesta tese contribuem significativamente para a melhoria da geração procedural de níveis, mitigando problemas de mode-collapse e instabilidade. Os experimentos evidenciam que técnicas como normalização espectral e penalização por heurísticas aumentam a eficiência do treinamento no ajuste do modelo, melhorando sua capacidade em gerar níveis jogáveis e diversificados. Como conclusão, esta pesquisa destaca a importância do refinamento de políticas de ajuste para GANs na geração procedural de mapas, evidenciando o potencial dessas redes para otimizar o desenho de níveis em jogos digitais. No entanto, desafios ainda permanecem, como a necessidade de desenvolver melhores mecanismos de controle da variabilidade e da complexidade dos mapas gerados. Trabalhos futuros poderão explorar a combinação de GANs com outras abordagens de aprendizado profundo, como modelos generativos condicionais mais avançados, bem como a aplicação dessas técnicas em jogos tridimensionais e outros gêneros, além dos jogos de visão top-down.