Evaluation of Procedurally Generated Terrains Via Artificial and Convolutional Neural Networks

Abstract

Oyun içeriği, oyuncuların oyun ortamlarında yer almasında önemli bir faktördür. Bununla birlikte, hem oyuncu nüfusunun hem de son on yılda üretim maliyetlerinin katlanarak artması nedeniyle yeni ölçeklenebilirlik zorluklarıyla karşılaşmaktadır. İçerik oluşturma ile ilgili maliyetleri en aza indirmek için oyun içerik üretimini otomatikleştiren prosedürel içerik oluşturma teknikleri kullanılacaktır. Arazi, bir çok oyun için içeriğin önemli bir parçasıdır ve ilginç bir arazi oyuncunun oyun içinde kalmasını sağlar. Araziyi prosedürel olarak üretmek için kullanılan birçok teknik vardır, ancak bu tekniklerin temel dezavantajı, üretim sürecini kontrol etmenin zor olmasıdır. Üretim süreci üzerinde kontrol eksikliği nedeniyle, kullanıcının istediği sonucu elde etmek zordur. Bu çalışmada, prosedürel olarak üretilen araziler, kullanıcı gereksinimlerini karşılamak için yapay ve evrişimli sinir ağları kullanılarak değerlendirilmiştir. İyi bir değerlendirme sonucu elde etmek için yapay ve evrişimli sinir ağları gerçek dünya haritası verileri kullanılarak eğitilmiştir. Gerçek dünya haritası verileri deniz seviyesi, ova ve dağ gibi üç sınıfa ayrılır. Elmas-Kare Algoritması ve Perlin Gürültüsü, prosedürel olarak araziler oluşturmak için kullanılır. Prosedürle üretilen alanlar, kullanıcı gereksinimlerine göre istenen sınıf tipi üretilinceye kadar, ANN ve CNN modelleri kullanılarak değerlendirilmektedir.

An important factor to keep players interested in a gaming environment is the game content. However, the exponential increase of both gamer population and the production cost over the last decade caused the game content to meet new scalability challenges. To minimize costs related to the creation of content, procedural content generation techniques are used, which automates game content generation. The significant part of the content for many games is a terrain. An interesting terrain will help to keep the player inside the game. There are many techniques used to generate terrain procedurally, but the main drawback of those techniques is that it is hard to control the generation process. Because of lack of control over generation process, it is hard to get the desired result that the user requires. In this study, the procedurally generated terrains are evaluated using artificial and convolutional neural networks to meet the user requirements. In order to give a good evaluation result artificial and convolutional neural networks are trained using the real-world map data. Real-world map data are classified into three classes, such as sealevel, lowland, and mountain. The Diamond-Square Algorithm and Perlin Noise are used to procedurally generate terrains. The procedurally generated terrains are then evaluated using the ANN and CNN models until the desired class type is generated according to the user requirements.