Hybrid Voting-Based Task Assignment in Role-Playing Games

📄 arXiv: 2502.18690v1 📥 PDF

作者: Daniel Weiner, Raj Korpan

分类: cs.AI, cs.RO

发布日期: 2025-02-25

备注: Accepted for presentation at Dungeons, Neurons, and Dialogues: Social Interaction Dynamics in Contextual Games Workshop at 20th Annual ACM/IEEE International Conference on Human-Robot Interaction (HRI 2025)

💡 一句话要点

提出基于混合投票的任务分配框架VBTA，提升角色扮演游戏中任务生成的沉浸感

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 角色扮演游戏 任务分配 大型语言模型 投票机制 路径规划 智能体 游戏AI

📋 核心要点

  1. 现有方法在角色扮演游戏中生成任务时，难以兼顾智能体的能力与任务需求，导致沉浸感不足。
  2. 论文提出VBTA框架，通过为智能体和任务分配属性，并使用投票机制来量化匹配程度，从而实现更合理的任务分配。
  3. VBTA集成了LLM、多种投票方法和CBS路径规划，能够生成独特的战斗遭遇和叙事，展现出良好的通用性。

📝 摘要（中文）

在角色扮演游戏（RPG）中，沉浸感至关重要，尤其是在游戏中的智能体向玩家传达任务、提示或想法时。为了使智能体能够准确地解读玩家的情绪状态和情境细微差别，需要一个基础的理解水平，这可以通过大型语言模型（LLM）来实现。然而，在多个上下文变化中保持LLM的专注性需要更强大的方法，例如将LLM与专门的任务分配模型集成，以指导其在整个游戏过程中的表现。针对这一需求，我们引入了基于投票的任务分配（VBTA）框架，该框架的灵感来源于人类在任务分配和完成中的推理。VBTA为智能体分配能力概况，为任务分配任务描述，然后生成一个适合性矩阵，量化智能体的能力与任务需求之间的对齐程度。VBTA利用六种不同的投票方法、一个预训练的LLM，并集成了基于冲突的搜索（CBS）进行路径规划，从而有效地识别和分配最合适的智能体来完成每个任务。虽然现有的方法侧重于生成游戏玩法的各个方面，例如单个任务或战斗遭遇，但由于其通用性，我们的方法在生成独特的战斗遭遇和叙事方面都显示出潜力。

🔬 方法详解

问题定义：论文旨在解决角色扮演游戏中，如何更有效地将任务分配给合适的智能体，从而提升玩家的沉浸感。现有方法通常关注生成单个任务或战斗遭遇，缺乏对智能体能力和任务需求的综合考虑，导致任务分配不合理，影响游戏体验。

核心思路：论文的核心思路是模拟人类在任务分配时的推理过程，即综合考虑智能体的能力和任务的需求，选择最匹配的智能体。通过为智能体和任务定义属性，并使用投票机制来量化匹配程度，从而实现更合理的任务分配。

技术框架：VBTA框架包含以下主要模块：1) 能力概况和任务描述：为每个智能体定义能力概况，为每个任务定义任务描述，包括所需的技能、资源等。2) 适合性矩阵生成：基于智能体的能力概况和任务描述，生成一个适合性矩阵，量化智能体的能力与任务需求之间的匹配程度。3) 投票机制：使用六种不同的投票方法，对适合性矩阵进行加权，从而确定每个智能体对每个任务的偏好程度。4) 任务分配：基于投票结果，将任务分配给最合适的智能体。5) 路径规划：使用基于冲突的搜索（CBS）算法，为智能体规划完成任务的路径。6) LLM集成：利用预训练的LLM，生成任务相关的叙事内容，增强游戏的沉浸感。

关键创新：VBTA框架的关键创新在于其混合投票机制，它能够综合考虑多种因素，从而更准确地评估智能体与任务之间的匹配程度。此外，VBTA框架还集成了LLM和CBS路径规划，从而能够生成更丰富、更智能的游戏体验。与现有方法相比，VBTA框架更具通用性，可以应用于生成各种类型的任务和遭遇。

关键设计：六种投票方法（具体方法未知）的选择和权重分配是关键设计。LLM的具体选择和prompt设计对叙事生成质量有重要影响。CBS算法的参数设置，如搜索半径、冲突解决策略等，会影响路径规划的效率和质量。适合性矩阵中，能力和任务属性的具体定义，以及匹配度量函数的设计，直接影响任务分配的准确性。

📊 实验亮点

论文展示了VBTA框架在生成独特的战斗遭遇和叙事方面的潜力，但具体的性能数据和对比基线未知。由于论文侧重于框架的提出，缺乏量化的实验结果，因此无法评估VBTA框架在性能上的具体提升幅度。未来的研究需要提供更详细的实验数据，以验证VBTA框架的有效性。

🎯 应用场景

该研究成果可应用于各类角色扮演游戏，提升任务生成的智能化和个性化水平，增强玩家的沉浸感和游戏体验。此外，该方法也可扩展到其他需要任务分配的领域，如智能制造、物流配送等，实现资源的最优配置和效率提升。未来，该研究或可与强化学习结合，实现任务分配策略的自动优化。

📄 摘要（原文）

In role-playing games (RPGs), the level of immersion is critical-especially when an in-game agent conveys tasks, hints, or ideas to the player. For an agent to accurately interpret the player's emotional state and contextual nuances, a foundational level of understanding is required, which can be achieved using a Large Language Model (LLM). Maintaining the LLM's focus across multiple context changes, however, necessitates a more robust approach, such as integrating the LLM with a dedicated task allocation model to guide its performance throughout gameplay. In response to this need, we introduce Voting-Based Task Assignment (VBTA), a framework inspired by human reasoning in task allocation and completion. VBTA assigns capability profiles to agents and task descriptions to tasks, then generates a suitability matrix that quantifies the alignment between an agent's abilities and a task's requirements. Leveraging six distinct voting methods, a pre-trained LLM, and integrating conflict-based search (CBS) for path planning, VBTA efficiently identifies and assigns the most suitable agent to each task. While existing approaches focus on generating individual aspects of gameplay, such as single quests, or combat encounters, our method shows promise when generating both unique combat encounters and narratives because of its generalizable nature.