Autonomes Testen von Super Mario mithilfe von Verhaltensmodellen

Der Artikel befasst sich mit autonomen Testmethoden, die in Super Mario Bros. eingesetzt werden, und verwendet einen verhaltensmodellspezifischen Ansatz. Dies ist eine Fortsetzung einer laufenden Serie, die darauf abzielt, das autonome Spielen zu perfektionieren und Levels ohne menschliches Eingreifen zu meistern. Der Schwerpunkt liegt auf der Verwendung eines mutationsbasierten Eingabegenerators, der Bits in Eingabedaten umkehrt, um unterschiedliche Szenarien zu erstellen, die die Reaktion des Spiels testen und Randfälle offenbaren, die bei herkömmlichen Tests möglicherweise unbemerkt bleiben.

Hier ist ein Code-Ausschnitt aus der Methodik:

import mario
import random

def generate_input(starting_byte, flip_probability, input_length):
    input = []
    next_byte = starting_byte
    for _ in range(input_length):
        for j in range(8):
            if random.random() < flip_probability:
                next_byte ^= (1 << j)
        input.append(next_byte)
    return input

Dieser Ansatz ist darauf ausgelegt, ein realistisches Gameplay zu simulieren, wobei bestimmte Tasten über mehrere Frames gedrückt bleiben, ähnlich wie Spieler die Taste 'nach rechts bewegen' halten, während sie 'springen' tippen. Eine Sammlung von Pfaden, dargestellt durch Eingabesequenzen, wird beibehalten und selektiv wiedergegeben, um einen optimalen Kurs durch das Spiel zu finden. Eine einfache Fitnessfunktion bevorzugt Pfade mit der höchsten x-Achsen-Position, aber aufgrund möglicher Sackgassen wird ein diverser Satz von Pfaden mit unterschiedlichen Punktzahlen erkundet, um umfassendes Testen zu gewährleisten.

Diese Technik ist besonders nützlich für Entwickler, die an der Spieleentwicklung beteiligt sind, oder für diejenigen, die sich für Testautomatisierung interessieren, da sie Einblicke in die effiziente Erkundung komplexer Zustandsräume bietet.