Racing tracks generation via Generative Adversarial Networks

This work explores the application of Generative Adversarial Networks (GANs) for generating race tracks in the context of procedural content generation and machine learning (PCGML). We show that it is possible to train a GAN with a small amount of data by leveraging synthetic data and fine-tuning. Additionally, we demonstrate the use of the latent space for manipulating the generated tracks by performing interpolations and arithmetic operations, allowing for the creation of a wide range of track variations. The generated tracks are evaluated using a path-following algorithm, to ensure their validity. Finally, we discuss the potential applications of our approach and the challenges that must be addressed for its practical implementation in the context of game development.

Questo lavoro esplora l’applicazione delle Generative Adversarial Networks (GAN) per generare piste da corsa nel contesto della generazione procedurale di contenuti e dell’apprendimento automatico (PCGML). Dimostriamo che è possibile addestrare una GAN con una piccola quantità di dati, sfruttando dati sintetici ed il fine-tuning. Inoltre, dimostriamo l’utilizzo del latent space eseguendo interpolazioni e operazioni aritmetiche, consentendo la creazione di una vasta gamma di piste. Le piste generate vengono valutate utilizzando un algoritmo di path-following per garantirne la validità. Infine, discutiamo le potenziali applicazioni del nostro approccio e le sfide che devono essere affrontate per la sua implementazione pratica nel contesto dello sviluppo di giochi.