АВТОМАТИЗАЦІЯ ТЕСТУВАННЯ ІГРОВИХ МЕХАНІК ЗА ДОПОМОГОЮ ШТУЧНОГО ІНТЕЛЕКТУ
DOI:
https://doi.org/10.36994/2788-5518-2025-02-10-10Ключові слова:
автоматизація тестування, ігрові механіки, штучний інтелект, машинне навчання, підкріплене навчання, регресійне тестування, QA GameDev.Анотація
Анотація. У сучасній ігровій індустрії складність відеоігор постійно зростає: великі відкриті світи, численні варіанти взаємодій, нелінійні сценарії, процедурно-генерований контент та інтерактивні елементи стають нормою. Це створює суттєві виклики для забезпечення якості, оскільки вручну перевірити всі можливі комбінації дій гравця, виявити аномалії в механіках, оцінити баланс ігрових систем або визначити проблеми продуктивності стає дедалі складніше. У зв’язку з цим дедалі активніше впроваджуються підходи автоматизації тестування, зокрема із застосуванням методів штучного інтелекту (ШІ) та машинного навчання. У статті розглядається концепція застосування ШІ-агентів для автоматичного тестування ігрових механік. Зокрема, увага приділяється генерації тестових сценаріїв, імітації поведінки гравця, виявленню порушень балансу, перевірці продуктивності, регресійному тестуванню та пошуку аномалій у даних гри. Розглянуто сучасні методи, включно з підкріпленим навчанням (DRL), глибокими нейронними мережами, плануванням на основі логічних моделей (PDDL) та методами агентного моделювання, які дозволяють досліджувати ігровий простір без прямого втручання у код або модифікацій рушія гри. На основі запропонованої методики представлено фрагмент реалізації алгоритму на Python, який включає модуль генерації тестових траєкторій із підкріпленням, аналіз логів гри та обчислення метрик покриття тестування. Показано, що використання ШІ дозволяє значно підвищити ефективність тестування: покриття тестами збільшується на ~42 %, витрати часу на тестування скорочуються на ~40 %, а кількість виявлених дефектів збільшується на ~72 % порівняно з базовими ручними методиками. Стаття також узагальнює переваги та недоліки автоматизації тестування ігрових механік, визначає ключові виклики впровадження таких рішень у промислову практику, а також окреслює перспективи подальших досліджень, включаючи адаптацію агентів до процедурно-генерованого контенту, інтеграцію мультимодальних даних (звук, графіка, фізика) та розвиток гібридних моделей тестування, що поєднують можливості ШІ та експертизу людини.
Посилання
Paduraru C., Paduraru M., Stefanescu A. RiverGame – a game testing tool using artificial intelligence. Verification and Validation (ICST’22) : 15th IEEE Conference on Software Testing. 2022. Pp. 422–432. DOI: https://doi.org/10.1109/ICST53961.2022.00048.
Zhang B. et al. Enhancing human-AI collaboration in game testing. Proceedings of SPIE. Vol. 13550. 2025. DOI: https://doi.org/10.1117/12.3059740.
Prasetya I. S. W. B., Pastor F., Kifetew F., Prandi D., Shirzadehhajimahmood S., Vos T. E. J. et al. An agent-based approach to automated game testing: An experience report. A-TEST 2022 : 13th International Workshop on Automating Test Case Design, Selection and Evaluation. 2022. DOI: https://doi.org/10.1145/3548659.3561305.
Alharthi S. A. Generative AI in game design: Enhancing creativity or constraining innovation? Journal of Intelligence. 13 (6). 60. 2025. DOI: https://doi.org/10.3390/jintelligence13060060.
Mastain V., Petrillo F. A behavior-driven development and reinforcement learning approach for videogame automated testing. Proceedings of the ACM/IEEE 8th International Workshop on Games and Software Engineering (GAS ’24). 2024. Pp. 1–8. DOI: https://doi.org/10.1145/3643658.3643919.
Bergdahl J., Gordillo C., Tollmar K., Gisslén L. Augmenting automated game testing with deep reinforcement learning. arXiv preprint arXiv:2103.15819. 2021. DOI: https://doi.org/10.48550/arXiv.2103.15819.
Shirzadehhajimahmood S., Kifetew F., Prandi D. Automated game testing with online search agents and model-free reinforcement learning. Software Testing, Verification & Reliability. Wiley, 2024. DOI: https://doi.org/10.1002/stvr.70002.
Liu G., Cai M., Zhao L., Qin T., Brown A., Bischoff J., Liu T. Inspector: Pixel-based automated game testing via exploration, detection and investigation. IEEE Conference on Games (CoG 2022). 2022. DOI: https://doi.org/10.48550/arXiv.2207.08379.
Завгородній В. В., Завгородня Г. А., Валявська Н. О., Адаменко В. С., Дороговцев Є. В., Несмачний П. В. Метод ав- томатичної генерації контенту на основі процедурних алгоритмів. Вчені записки ТНУ ім. В. І. Вернадського. Серія: Технічні науки. 2022. 33 (72). № 1. 91–96. DOI: https://doi.org/10.32838/2663-5941/2022.1/15.
Shaker N., Togelius J., Nelson M. J. Procedural Content Generation in Games: A Textbook and an Overview of Current Research. Springer. 2016. DOI: https://doi.org/10.1007/978-3-319-42716-4.
Aminian M. et al. Mathematical methods for visualization and anomaly detection in time-series. Royal Society Open Science. 2020. 7 (5). DOI: https://doi.org/10.1098/rsfs.2019.0086.
Завгородній В. В., Завгородня Г. А., Дроботович К. Є., Тенігін О. В., Шматко М. М. Математичне моделювання у ме- тодах формального дослідження. Вчені записки ТНУ ім. В. І. Вернадського. Серія: Технічні науки. 2021. 32 (71). № 6. 75–79. DOI: https://doi.org/10.32838/2663-5941/2021.6/12.
Beukman M. et al. Hierarchically composing level generators for the creation of complex structures. IEEE Transactions on Games. 2024. 16 (2). 459–469. DOI: https://doi.org/10.1109/TG.2023.3297619.
Завгородній В. В., Завгородня Г. А., Демченко І. В., Крамаренко К. С., Шевченко І. О., Юрченко А. В. Метод створен- ня штучних текстур із заданими параметрами. Вчені записки ТНУ ім. В. І. Вернадського. Серія: Технічні науки. 2022. 33 (72). № 2. 86–90. DOI: https://doi.org/10.32838/2663-5941/2022.2/14.
Azimi S. et al. Anomaly analytics in data-driven machine learning. Data Mining and Knowledge Discovery, 2025. DOI: https://doi.org/10.1007/s41060-024-00593-y
Moharam M. H. et al. Anomaly detection using machine learning and adopted digital twin concepts in radio environments. Scientific Reports. 2025. 15. DOI: https://doi.org/10.1038/s41598-025-02759-5.
Завгородній В. В., Завгородня Г. А., Валявська Н. О., Герасименко О. О., Калюжний О. В., Степовий А. В. Пошук аномалій у даних за допомогою машинного навчання. Вчені записки ТНУ ім. В. І. Вернадського. Серія: Технічні науки. 2022. 33 (72). № 3. 39–43. URL: https://tech.vernadskyjournals.in.ua/journals/2022/3_2022/6.pdf
Souchleris K., Sidiropoulos G. K., Papakostas G. A. Reinforcement learning in game industry – review, prospects and challenges. Applied Sciences. 2023.13 (4). 2443. DOI: https://doi.org/10.3390/app13042443.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
