Multi-task procedural content generation with reinforcement learning

Aylin Nekahdari

doi:10.1038/s41598-026-48234-7

Multi-task procedural content generation with reinforcement learning

2026-04-20

0

OA

AI

A

Aylin Nekahdari

E

Elaheh Daei Kouzehkonani

Sina Samadi Gharehveran *

DOI：10.1038/s41598-026-48234-7

原文链接

查看原文

摘要

En 中文

本文提出了一种基于多任务语言的多任务语言框架，用于通过强化学习进行程序化内容生成，旨在提高语言命令与量化游戏表面特征之间的语义对齐。虽然大多数PCGRL方法依赖于数值条件，但所提出的方法使用DeBERTa编码器和包括回归、对比对齐和混合学习在内的多目标训练方案，试图提取有意义、可泛化和结构化的自然命令表示。为评估该框架，设计了一个包含超过14,000个命令级配对在超级马里奥环境中的结构化数据集，允许检查单任务、集体、组合、改写和跨域泛化。实验结果表明，所提出的模型在命令遵循、语义稳定性和生成关卡的结构多样性方面优于基于BERT的方法。研究结果证明，分离语言的语义成分和多目标训练可以成为PCGRL系统中产生可控、可解释且与人类意图对齐的内容的有效步骤。

Keyword:

Engineering

Mathematics and computing

Procedural content generation

Reinforcement learning

Multi-task learning

Super Mario levels

Science

Humanities and Social Sciences

multidisciplinary

Multi-task procedural content generation with reinforcement learning

摘要

AI总结

期刊

机构

引用论文