Visão geral das publicações na área

Conforme a Figura 6, os eventos que mais recebem publicações sobre PCG são a CIG (Conference on Computational Intelligence in Games), a TCIAIG (Transactions on Computational Intelligence and AI in Games) e a AIIDE (Artificial Intelligence and Interactive Digital Entertainment). A CIG e a TCIAIG tratam especificamente sobre inteligência artificial para jogos. Já a AIIDE tem foco no entretenimento digital. Além disso, conforme pode ser visto na

Figura 6, a maior parte dos locais de publicação tratam de computação evolutiva. Isto se explica porque, como será visto mais adiante, a computação evolutiva é utilizada em grande parte das pesquisas de PCG.

47

4.2.2 Respostas às questões de pesquisa

Nesta subseção, apresentam-se as respostas às questões de pesquisa desta RSL.

QP1: Quais os benefícios do uso da PCG e quais as limitações/desafios do uso da PCG?

Conforme pode ser observado na Figura 7 e segundos os trabalhos lidos, vários são os benefícios pelo uso da PCG. Dentre eles, o que mais é citado é a redução de custo e tempo de produção do jogo, visto que o computador geraria todo o conteúdo de maneira rápida e automática. Por consequência, a facilidade da PCG gerar novos conteúdo aumenta o fator de replay do jogo (fazer o usuário voltar ao jogo). Atualmente, com computadores mais potentes, não existe uma limitação grande de memória, o qual nos anos 80 era um dos principais pontos de entraves da PCG.

Com a utilização da PCG, os jogadores podem passar por novas experiências sempre que retornar ao jogo já que o conteúdo é gerado proceduralmente. Por fim, por ser tratada de maneira algorítmica, as técnicas de PCGs facilitam a produção de um conteúdo adaptado para os jogadores. Nesse caso, alterando o nível de dificuldade do jogo ou o comportamento de NPCs (non-players characters), dependendo de como o desenvolvedor quiser que ocorra a adaptação. Todos os benefícios citados pelos artigos podem ser vistos na Figura 7, com sua respectiva frequência de citação.

Figura 7: Benefícios da PCG relatados por artigos.

Quanto às limitações da PCG, poucos trabalhos fazem referência a isso. Contudo, das limitações citadas, a que mais se destaca é o fato de que os conteúdos gerados são na maioria dos casos desenvolvidos para uma parte específica do jogo, como exemplo um gerador somente para fases. Outra dificuldade encontrada é a de se conseguir ter o controle do conteúdo que é criado para garantir que o mesmo sempre tenha solução ou utilidade dentro do jogo. De maneira similar, também é difícil avaliar a qualidade do conteúdo gerado pelo algoritmo, já que são necessários estudos mais elaborados com usuários e por os interesses variarem de jogador para jogador. Assim, a visão completa das limitações com suas frequências de citações pode ser observada na Figura 8.

49

Figura 8: Limitações da PCG relatados por artigos.

QP2: Em casos de adaptabilidade, que tipo de conteúdo foi adaptado, como e qual o impacto no jogo?

Dos 120 artigos avaliados, 100 não fizeram uso da PCG para promover uma adaptabilidade do jogo. Os estudos que fizeram uso são os seguintes: E9, E13, E21, E33, E37, E40, E42, E46, E67, E69, E70, E79, E84, E93, E96, E98, E103, E108, E111 e E113. Destes 20, 13 estudos tratavam especificamente em modificar as fases ou ambientes.

E21 e E84 usaram uma técnica baseada em DDA (Dynamic Difficult Adjusment), no qual os autores conseguiram gerar fases adaptadas, modificando-se a dificuldade das fases de maneira específica para cada jogador. Porém, por ter poucos participantes, E21 apontou o resultado como positivo de maneira apenas sugestiva e E84 não mostrou qual o impacto que a adaptação teve no jogo.

Já o trabalho E33 adaptou as fases acumulando o desempenho geral de cada fase que o jogador passava. Segundo os autores, os jogadores que jogaram a versão adaptativa ficaram mais satisfeitos do que os que jogaram a versão não-adaptativa. Além disso, o estudo E37 adapta a estrutura das fases de um jogo FPS (First Person Shooter) baseado em uma lista de mapas que ele passava ao jogador para que o mesmo escolhesse opções de acordo

com suas preferências. Assim, a proposta gerava uma fase baseada nas escolhas do jogador. Os resultados indicaram que as fases geradas eram agradáveis aos usuários.

O estudo E40 fez uso de informações extraídas dos usuários de fases anteriores para gerar as novas e também solicitava que o jogador apontasse preferências de estilos de mapas, como ocorre no trabalho E37 já mencionado. Os resultados indicam uma inconsistência do comportamento do jogador com o que ele diz. No caso, jogadores escolhiam mapas com geometrias menores, mesmo informando que preferiam as maiores.

O estudo E67 trata de um jogo de Parkour, cuja alteração da dificuldade do jogo é baseada no número de obstáculos que o jogador consegue vencer, aumentando exponencialmente a experiência de jogo. Por sua vez, E79 adapta o mapa do jogo com base nas preferências dos jogadores usando Rank-based Interactive Evolution (RIE), oferecendo mais controle ao usuário e permitindo que os mapas gerados alcancem o gosto pessoal do mesmo. Já E70 faz uso de aprendizado por reforço para balancear a dificuldade de um jogo de Endless Runner (corrida infinita), resultando em uma curva de aprendizado mais rápida dos jogadores.

Os trabalhos E93, E111 e E113 modificam o ambiente tomando como base o desempenho e o comportamento do jogador durante as partidas que são jogadas, e gerando novas com o uso destes dados através do uso de player modelling. Porém, esses trabalhos não foram testados com usuários reais. E96 faz o uso de gramática evolutiva para modificar o cenário de acordo com dados obtidos do desempenho do usuário, os resultados apontaram que era mais fácil melhorar a experiência de jogo de um jogador especialista do que a de um jogador mediano. E108 faz o uso de questões de múltipla escolha e resultados curtos de partidas anteriores para gerar cenários em um jogo de plataforma, mas não apontam o impacto que foi causado no jogo através dessas mudanças.

Ainda, 3 destes estudos (E9, E42 e E46) usam adaptação para controle de dificuldade das partidas jogadas. E9 adapta cada nível do jogo usando player modelling. Com isso, o autor conseguiu uma geração mais precisa para os testes cognitivos apresentados ao jogo de cartas o qual era

51 proposto. E42 controla a dificuldade da partida de um jogo de FPS. O mesmo utiliza dados de partidas anteriores para alterar a partida que será gerada, modificando o nível da inteligência artificial aplicada a partida. Tanto E42 como E46 controlam a dificuldade de uma partida de um jogo de estratégia com base no desempenho do jogador e E69 procura fazer com que os jogos de estratégia criem equipes equilibradas para batalharem mesmo quando estão em desvantagem.

Outros 3 estudos (E13, E98 e E111) tratam da geração de missões para o jogo. E13 altera desafios e objetivos do jogo de acordo com o jogador usando uma combinação de PCG com um sistema de recomendação. Baseado em seus resultados, os autores sugerem que essa abordagem aumentou o interesse dos usuários no jogo. E98 faz o uso de fatoração de tensores baseada em métodos colaborativos de modelagem e previsão de desempenho dos jogadores em eventos baseados em habilidades e de acordo com o autor a adaptação atendia aos requisitos propostos pelo mesmo. E111 assim como estudos anteriores fez o uso de player modelling, mas para a geração de missões adequadas para os jogadores.

Por fim, o E103 fez o uso de adaptação para modificar o visual dos objetos dentro de jogo, onde o jogador poderia escolher naves de acordo com o gosto pessoal e a partir dessas informações gerar novas naves que se adequassem às preferências do mesmo.

QP3: Quais os gêneros de jogos estão sendo aplicados e qual o tipo de conteúdo que é gerado?

Conforme a Figura 9, os gêneros de jogo mais utilizados nas pesquisas para aplicações da PCG são respectivamente o de plataforma, baseados em masmorras (dungeons, “uma espécie de calabouço com diversos inimigos”), MMO (Massive Multiplayer Online) e RTS (Real Time Strategy), sendo que alguns MMO também eram RTS.

Figura 9: Gêneros de jogos utilizados nas pesquisas.

Quanto aos tipos de conteúdo criados, a Figura 10 mostra os tipos de conteúdo que os pesquisadores trabalharam em suas pesquisas. Assim, pode ser visto que a geração de fases e de mapas são os tipos de conteúdo gerados mais pesquisados. Nesse caso, diferenciamos fase e mapa da seguinte forma: uma fase como estrutura completa com inimigos e obstáculos; e mapas sendo somente a estrutura de uma cena gerada e pelo qual o personagem se move. O fato da geração desses dois tipos de conteúdo serem os mais pesquisados pode decorrer de os mesmos demandarem muito trabalho manual para ser realizado em comparação aos outros tipos de conteúdo. Além disso, pelas fases e mapas serem uma das maiores partes de um jogo, se não a principal. Entretanto, este resultado mostra que os demais tipos de conteúdo têm bastante espaço para pesquisa.

53

Figura 10: Tipos de conteúdo gerados. QP4: Quais técnicas foram utilizadas para a PCG?

Podemos observar na Figura 11 que estão sendo utilizadas diversas técnicas para implementar a PCG. Conforme pode ser observado, a computação evolutiva é a mais explorada quando se trata de PCG, estando no topo do ranking os algoritmos evolutivos, genéticos e a SBPCG (Search based procedural content generation), considerados neste trabalho como da mesma categoria. Isto porque os algoritmos genéticos são uma classe particular dos algoritmos evolutivos e a SBPCG que faz o uso de computação evolutiva e métodos similares para o seu desenvolvimento. O uso conjunto de gramáticas e algoritmos evolutivos se destaca logo em seguida no ranking. A respeito da diversidade de técnicas encontradas, foi observada a carência de estudos comparativos entre os benefícios e limitações das mesmas.

Figura 11: Técnicas de PCG utilizadas nos artigos.

QP5: Qual a qualidade do conteúdo gerado em comparação ao manual? É mais eficiente?

Ao analisar os estudos (Fig. 12), pode-se notar que poucos autores se preocupam em comparar o conteúdo que sua PCG produz em relação a uma construção manual. Assim, mesmo que vários tipos de geração de conteúdo estejam sendo desenvolvidos pelas pesquisas, não se sabe ao certo se o conteúdo gerado tem qualidade similar aqueles criados manualmente. Além disso, não é reportado o tempo que se levou para implementar a técnica de PCG pesquisada, dificultando uma comparação mais precisa entre esse tempo e o tempo de construção manual do jogo. Em resumo, existe uma oportunidade para os pesquisadores melhorarem a qualidade de seus trabalhos comparando seus resultados com aqueles que se obtém em um processo manual de criação, tanto em termos de qualidade como de eficiência.

55

Figura 12: Comparação entre conteúdo gerado via PCG x Manual.