Automatisierung der Regressionstests für Videospiele durch Planung und Lernen

Conceptos Básicos

In diesem Artikel wird eine Methode und ein Workflow vorgestellt, um bestimmte Aspekte des Videospieltestens durch automatisierte Planung und inkrementelles Aktionsmodelllernen zu automatisieren.

Resumen

Der Artikel beschreibt einen Workflow, um Regressionstests für Videospiele zu automatisieren. Dazu wird eine Kombination aus automatisierter Planung und inkrementellem Aktionsmodelllernen verwendet.
Der Workflow beginnt damit, dass der Spielentwickler eine informelle, aber strukturierte Beschreibung der möglichen Spieleraktionen erstellt. Ein Modellierer identifiziert dann die erforderlichen Prädikate, um diese Aktionen formal zu beschreiben. Der Entwickler implementiert dann das Logging dieser Prädikate im Spiel. Anschließend wird das Spiel gespielt und die Logs werden verwendet, um automatisch ein PDDL-Modell des Spiels zu lernen.
Der Modellierer evaluiert und verfeinert dann das gelernte PDDL-Modell, bis es den Logs entspricht. Schließlich wird der Planer verwendet, um Testskripte zu generieren, die der Entwickler dann ausführen und überprüfen kann.
Der Artikel diskutiert auch Herausforderungen bei der vollständigen Automatisierung dieses Workflows, insbesondere bei der Ableitung der richtigen Prädikate aus dem Spielcode.

Estadísticas

Die Spielwelt wird durch ein Gitter von Positionen dargestellt.
Für jedes Questitem wird der Typ (Apfel, Huhn) und die aktuelle Position gespeichert.
Für jeden Spieler wird die aktuelle Position gespeichert.
Für jede Quest wird der Status (bereit, aktiv, abgeschlossen) gespeichert.
Für jedes Questitem wird die Anzahl der vom Spieler gesammelten Exemplare gespeichert.

Citas

"Wir präsentieren den ersten Schritt dahin, den Bedarf an einem Modellierungsexperten im Workflow zu minimieren oder sogar ganz zu beseitigen, um die automatisierte Planung einem breiteren Publikum zugänglich zu machen."
"Planungsbasiertes Testen ist am besten für Spiele mit vielen diskreten kausalen Interaktionen wie Rollenspiele (RPG), Point-and-Click-Adventures, Strategiespiele, Visual Novels oder Puzzle-Spiele geeignet."

Ideas clave extraídas de

On Automating Video Game Regression Testing by Planning and Learning

by Tomá... a las arxiv.org 04-03-2024

https://arxiv.org/pdf/2402.12393.pdf

Consultas más profundas

Wie könnte der Workflow erweitert werden, um auch komplexere Spielmechaniken wie Physik-Simulationen oder Echtzeitkämpfe zu unterstützen?

Um komplexere Spielmechaniken wie Physik-Simulationen oder Echtzeitkämpfe in den Workflow zu integrieren, könnten spezifische Prädikate und Aktionen definiert werden, die diese Mechaniken abbilden. Für die Physik-Simulationen könnten Prädikate erstellt werden, die die Position, Bewegung und Kollision von Objekten im Spiel beschreiben. Aktionen könnten definiert werden, um physikalische Kräfte anzuwenden oder Interaktionen zwischen Objekten zu modellieren. Für Echtzeitkämpfe könnten Prädikate für den Zustand von Charakteren, Waffen, Gesundheit und Kampfaktionen erstellt werden. Aktionen könnten dann definiert werden, um Angriffe, Verteidigungen und Bewegungen im Kampf zu simulieren. Durch die Erweiterung des PDDL-Modells um diese spezifischen Prädikate und Aktionen können komplexere Spielmechaniken abgebildet und in den automatisierten Testprozess integriert werden.

Wie könnte der Workflow angepasst werden, um auch Spieler-Feedback und Benutzererfahrung in die Testgenerierung einzubeziehen?

Um Spieler-Feedback und Benutzererfahrung in die Testgenerierung einzubeziehen, könnte eine zusätzliche Schicht im Workflow eingeführt werden, die auf Datenerfassung und -analyse basiert. Diese Schicht könnte Feedback von Spielern sammeln, entweder durch Umfragen, Spielstatistiken oder Verhaltensanalysen. Diese Daten könnten dann in das PDDL-Modell integriert werden, um die Spielerinteraktionen und -präferenzen widerzuspiegeln. Durch die Berücksichtigung von Spieler-Feedback im PDDL-Modell könnten Testszenarien generiert werden, die die tatsächliche Spielererfahrung besser widerspiegeln. Dies würde dazu beitragen, die Qualität des Spiels aus der Perspektive der Benutzer zu verbessern und potenzielle Probleme frühzeitig zu identifizieren.

Welche Möglichkeiten gibt es, den Prozess der Ableitung geeigneter Prädikate aus dem Spielcode weiter zu automatisieren?

Um den Prozess der Ableitung geeigneter Prädikate aus dem Spielcode weiter zu automatisieren, könnten maschinelle Lernalgorithmen eingesetzt werden. Diese Algorithmen könnten den Spielcode analysieren, um relevante Variablen, Zustände und Interaktionen zu identifizieren, die als Prädikate im PDDL-Modell verwendet werden können. Durch den Einsatz von Natural Language Processing (NLP) Techniken könnten auch Kommentare im Code analysiert werden, um zusätzliche Informationen für die Ableitung von Prädikaten zu extrahieren. Darüber hinaus könnten Tools zur statischen Codeanalyse verwendet werden, um automatisch potenziell relevante Prädikate im Code zu erkennen und vorschlagen. Durch die Kombination dieser Ansätze könnte der Prozess der Ableitung geeigneter Prädikate aus dem Spielcode effizienter und präziser gestaltet werden.