MultiGen: Level-Design for Editable Multiplayer Worlds in Diffusion Game Engines

إليك ملخص تقني مفصل لورقة البحث بعنوان "MultiGen: تصميم المستويات لعوالم متعددة اللاعبين قابلة للتحرير في محركات الألعاب القائمة على الانتشار (Diffusion Game Engines)."

1. بيان المشكلة

تواجه النماذج الحالية لنماذج عوالم الفيديو ومحركات الألعاب القائمة على الانتشار (مثل GameNGen وGenie) عقبتين حرجتين فيما يتعلق بالتفاعلية:

1. الافتقار إلى الهيكل القابل للتحرير: تعمل معظم الأنظمة كـ "متنبئات بالإطار التالي" تعتمد على حالة داخلية ضمنية (نافذة محدودة من الإطارات الماضية). وهذا يجعل من الصعب على المستخدمين تحديد أو تحرير الهيكل العالمي للبيئة (مثل تخطيط المستوى) قبل بدء عملية التوليد. كما تعاني عمليات التشغيل الطويلة (Long rollouts) من "الانجراف" (Drift)، حيث يهلوس النموذج بتغييرات هيكلية لأنه لا يستطيع تذكر التخطيط الأصلي بمجرد خروجه من نافذة السياق.
2. عدم القدرة على دعم تعدد اللاعبين: تعد النماذج الموجودة تجارب أحادية المستخدم بشكل أساسي. نظرًا لأن الحالة مرتبطة بتاريخ الملاحظات المحلي لوكيل واحد، فمن الصبح الحفاظ على حالة عالم مشتركة ومتسقة حيث يمكن لعدة لاعبين التفاعل بشكل موثوق. وتنهار الاتساق عبر اللاعبين بمرور الوقت مع تباعد التاريخ المحلي لكل لاعب.

2. المنهجية

يقترح المؤلفون MultiGen، وهو محرك ألعاب انتشار معياري يقدم ذاكرة خارجية صريحة لفصل حالة العالم المستمرة عن توليد الصور عالي الأبعاد. تم تقسيم النظام إلى ثلاث وحدات متخصصة:

أ. وحدة الذاكرة الخارجية (External Memory Module)

بدلاً من الاعتماد على نافذة منزلقة من الإطارات، يحافظ النظام على حالة مستمرة منخفضة الأبعاد $S_t$ توجد بشكل مستقل عن نافذة سياق النموذج. تتكون هذه الحالة من:

• هندسة الخريطة (Map Geometry - $M$): تمثيل ثنائي الأبعاد علوي ثابت للمستوى (رؤوس وقطع مستقيمة تحدد الجدران والمناطق القابلة للسير). يعمل هذا كمسودة هندسية قابلة للتحرير.
• وضعية اللاعب (Player Pose - $p_t$): الإحداثيات الإقليدية $(x, y)$ وزاوية الانحراف $\theta$ لكل لاعب نشط.
• السياق البصري (Visual Context): نافذة قصيرة من الإطارات الأخيرة ($o_{t-L+1:t}$) للحفاظ على الاستمرارية الزمنية قصيرة المدى.

ب. وحدة الملاحظة (Observation Module)

تولد هذه الوحدة الإطار البصري التالي ($o_{t+1}$) باستخدام نموذج انتشار (UNet). وهي مشروطة بـ:

• القراءة الهندسية (Geometric Readout): متجه عمق/تباعد (depth/disparity) أحادي البعد ناتج عن تتبع الأشعة (ray-traced) مستمد من وضعية اللاعب الحالية والخريطة الخارجية $M$. يتم دمج هذا المتجه مع القنوات المدخلة لتوفير التأسيس الهندسي.
• تضمينات الأفعال (Action Embeddings): إشارة التحكم الخاصة بالوكيل التي يتم حقنها عبر آلية الانتباه المتقاطع (cross-attention).
• التاريخ البصري (Visual History): سياق الإطارات الأخيرة.
• استراتيجية التدريب: لمنع عدم التطابق بين التدريب والاختبار (حيث يرى النموذج تاريخاً نظيفاً أثناء التدريب ولكن تاريخاً مشوشاً أثناء الاستدلال)، يتم تدريب النموذج باستخدام "السياق المشوش" (noised-context)، حيث يتم إفساد التاريخ المدخل بضجيج غاوسي (Gaussian noise).

ج. وحدة الديناميكيات (Dynamics Module)

مشفر محول (Transformer encoder) خفيف الوزن يتنبأ بـ التحديث التدريجي لوضعية اللاعب ($\Delta p_t$) بناءً على الفعل، والإشارات الهندسية، والميزات المتوسطة من وحدة الملاحظة (Observation UNet). يقوم هذا بتحديث حالة الذاكرة الخارجية للخطوة الزمنية التالية.

حلقة الاستدلال (Inference Loop)

يعمل النظام كمحاكي مغلق الحلقة:

1. استعلام الذاكرة الخارجية لتوليد إشارات التكييف الهندسية (العمق/التباعد) بناءً على الوضعية الحالية والخريطة.
2. أخذ عينة من الإطار التالي باستخدام وحدة الملاحظة.
3. تحديث وضعية اللاعب باستخدام وحدة الديناميكيات.
4. إزاحة نافذة السياق البصري والتكرار.

3. المساهمات الرئيسية

1. صياغة الذاكرة الخارجية الصريحة: تقدم الورقة تحولاً في النموذج من "الإطارات كحالة" إلى "الذاكرة كحالة". من خلال الحفاظ على خريطة مستمرة وقابلة للتحرير ووضعيات اللاعب خارج سياق نموذج الانتشار، يضمن النظام اتساقاً هيكلياً طويل الأمد.
2. البنية المعيارية (Modular Architecture): يسمح فصل النظام إلى وحدات الذاكرة، والملاحظة، والديناميكيات، بالتحكم المستقل في هيكل العالم والتوليد البصري. هذا يستبدل نهج "الشبكة الواحدة" الضخم المستخدم في الأعمال السابقة.
3. تصميم المستويات القابل للتحرير: يمكن للمستخدمين تحديد مستوى عبر خريطة مصغرة خشنة ثنائية الأبعاد (رؤوس وجدران) قبل التوليد. يلتزم النموذج بهذا المخطط طوال عملية التشغيل بأكملها، مما يسمح بتجارب قابلة للتكرار والتحكم.
4. تفاعل متعدد اللاعبين قابل للتوسع: تدعم البنية بشكل طبيعي وكلاء متعددين. يقرأ جميع اللاعبين من نفس الذاكرة الخارجية المشتركة ويكتبون فيها. وهذا يتيح تفاعلات متسقة عبر وجهات النظر المختلفة (مثل إطلاق اللاعب (أ) النار على اللاعب (ب)) دون الحاجة إلى نموذج ضخم مشترك مدرب على بيانات شاشة منقسمة. يعمل كل لاعب على نسخة مستقلة من وحدات الملاحظة/الديناميكيات، مما يضمن الأداء في الوقت الفعلي.

4. النتائج والتقييم

قيم المؤلفون MultiGen في بيئة Doom باستخدام خرائط مولدة إجرائياً.

• تصميم المستوى (لاعب واحد):

  • المقياس: التشابه الهيكلي (SSIM) والمسافة الإدراكية (LPIPS) مقابل الحقيقة الأرضية (ground truth) عبر عمليات تشغيل طويلة (تصل إلى 196 خطوة).
  • النتيجة: حقق MultiGen قيمة SSIM أعلى (0.469 مقابل 0.457) وقيمة LPIPS أقل (0.416 مقابل 0.442) مقارنة بالمرجع الأساسي GameNGen. والأهم من ذلك، اتسعت فجوة الأداء في مقاطع التشغيل المتأخرة (128–196 خطوة)، مما يثبت أن الذاكرة الخارجية تمنع بفعالية الانجراف الهيكلي الذي يعاني منه النماذج ذات الحالة الضمنية.
  • الجانب النوعي: نجح النموذج في الحفاظ على هياكل الممرات والمنعطفات المحددة في الخريطة المصغرة للمستخدم، بينما قام النموذج المرجعي بهلوسة جدران وممرات غير موجودة.

• التفاعل متعدد اللاعبين:

  • المقياس: دقة اكتشاف وجود الخصم باستخدام حكم من نموذج لغوي بصري (VLM).
  • النتيجة: حقق MultiGen دقة بنسبة 75.38% (مقابل 65.31% لنموذج الشاشة المنقسمة الأساسي)، مع استدعاء (recall) أعلى بكثير (65.07% مقابل 44.59%). يشير هذا إلى أن النموذج يقوم برسم الخصوم بشكل صحيح عندما ينبغي أن يكونوا مرئيين ويخفيهم عندما لا يكونوا كذلك، مما يحافظ على الاتساق عبر وجهات النظر المختلفة.
  • الأداء: يعمل النظام بسرعة ~20 إطاراً في الثانية لكل لاعب على وحدة NVIDIA A100 واحدة، مما يسمح بجلسات متعددة اللاعبين تفاعلية في الوقت الفعلي.

5. الأهمية

يمثل MultiGen خطوة مهمة نحو محركات ألعاب توليدية قابلة للتحكم والتوسيع.

• لتصميم الألعاب: يسد الفجوة بين التوليد الإجرائي ونية المستخدم، مما يسمح للمصممين برسم تخطيط المستوى وجعل نموذج توليدي يقوم برسمه بدقة في الوقت الفعلي.
• للذكاء الاصطناعي متعدد اللاعبين: يحل مشكلة "الحالة المشتركة" في العوالم التوليدية. من خلال إخراج الحالة إلى الخارج، فإنه يسمح بتفاعلات متعددة اللاعبين متسقة وقابلة للتوسع دون التكلفة الحسابية لنمذجة جميع وجهات النظر معاً.
• الاتجاه المستقبلي: تشير الورقة إلى أن الذاكرة الصريحة هي عنصر أساسي لبناء نماذج عوالم ليست مجرد مولدات فيديو تفاعلية، بل محاكيات تفاعلية، قابلة للتحرير، ومستمرة.

القيود: يعتمد النظام على الخريطة الصريحة للهيكل العالمي؛ قد تنحرف الأنسجة (textures) والأشياء الصغيرة غير الموجودة في الخريطة عند إعادة زيارة المناطق. بالإضافة إلى ذلك، فإن نموذج الديناميكيات ليس مثالياً، مما يؤدي إلى أخطاء تراكمية طفيفة في الوضعية عبر آفاق زمنية طويلة جداً، رغم أن اللعب العام يظل متسقاً.