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