Einleitung

Die Procedural Content Generation (kurz: PCG) beschäftigt sich mit der automatisierten Erstellung digitaler Inhalte durch Algorithmen und Datenstrukturen in der Informatik. Insbesondere in der Computergrafik hat die PCG im laufe der letzten Jahrzehnte zunehmend an Bedeutung gewonnen. Mit steigenden Anforderungen der Konsumenten an die visuelle Qualität und Immersion interaktiver Medieninhalte, steigt der Resourcenaufwand proportional, welcher sich aus dem manuellen Erstellen entsprechender Inhalte ergibt. Dies stellt sowohl große Studios für die Generierung von Spezialeffekten für Filme oder Videospiele als auch kleinere Medienunternehmen, insbesondere vor dem Hintergrund der Wettbewerbstauglicheit, vor große Herausforderungen. Um den durch die zunehmenden Anforderungen enstehenden Mehraufwand zu minimieren, werden zunehmend prozedurale Werkzeuge eingesetzt, welche Teilschritte der Produktion virtueller Inhalte automatisieren und somit Resourcen einsparen. Hierbei erstrecken sich die Anwendungsfelder etwa von Levelgeneratoren in der Spieleindustrie oder teil-automatisierte Tools zur Generierung von Texturen und 3D-Geometrien bishin zu generierten Animationen für virtuelle Charaktere. Insesondere durch den Einsatz maschinellen Lernens, etwa des Deep Reinforment Learnings werden stetig neue Wege erforscht, um möglichst effiziente Generatoren zu entwickeln.

Terrain Generierung

Die Terrain Generierung beschäftigt sich mit der automatisierten Erzeugung natürlicher Landschaften. Hierbei kommen diverse Algorithmen zum Einsatz, die geografische Elemente wie Berge, Täler, Flüsse und Küstenlinien simulieren. Typische Verfahren beinhalten:

• Noise-Funktionen: Perlin Noise, Simplex Noise oder Fraktalrauschen dienen als Grundlage, um organisch wirkende Höhenfelder zu erstellen.

• Erosionssimulation: Modelle zur hydraulischen und thermischen Erosion helfen, realistische Geländemerkmale zu formen, indem sie natürliche Prozesse wie Wasser- und Windwirkung simulieren.

• Multi-Level-Ansätze: Durch die Kombination verschiedener Detaillierungsgrade können sowohl großräumige Strukturen als auch feine Oberflächenstrukturen erzeugt werden.

Unser Lehrstuhl erforscht intensiv die automatisierte Erzeugung natürlicher Landschaften. Neben klassischen Methoden wie Noise-Funktionen (z. B. Perlin- und Simplex Noise) und physikalisch basierten Erosionssimulationen setzen wir innovative, lernbasierte Verfahren ein. Mittels Deep Learning und generativen neuronalen Netzen optimieren wir Parameter, um realitätsnähere und variantenreiche Höhenfelder zu generieren. Dabei werden nicht nur statische Modelle, sondern auch dynamische Anpassungen an wechselnde Umgebungsbedingungen und natürliche Inputmethoden wie text-basiertes Prompting untersucht.

City Generation

Die City Generation fokussiert sich auf die algorithmische Erstellung urbaner Umgebungen und Stadtkonzepte. Ziel ist es, städtebauliche Strukturen und Netzwerke zu erzeugen, die sowohl funktional als auch ästhetisch ansprechend sind. Wichtige Ansätze hierbei sind:

• Straßennetz- und Infrastruktur-Design: Durch rekursive Teilung oder graphbasierte Ansätze lassen sich Straßennetze, Verkehrsachsen und Kreuzungen dynamisch generieren.

• Gebäudeanordnung und Zoning: Verfahren wie L-Systeme oder Shape Grammars ermöglichen die automatische Platzierung und Variation von Gebäuden, Plätzen und öffentlichen Räumen.

• Hierarchische Planung: Mittels hierarchischer Modelle wird der städtebauliche Aufbau in verschiedene Ebenen unterteilt, wodurch sowohl Makro- als auch Mikrostrukturen gesteuert werden können.

Unsere Forschungsarbeiten legen großen Wert auf die Integration von Machine-Learning-Techniken:

• Lernbasierte Optimierung: Deep Learning-Modelle unterstützen die automatische Erkennung und Optimierung urbaner Muster. Beispielsweise können Modelle trainiert werden, um Verkehrsflüsse oder wirtschaftliche Faktoren zu simulieren und so die Anordnung von Straßen und Gebäuden zu optimieren.

• Simulation und Vorhersage: Durch die Kombination von Simulationsdaten mit lernbasierten Prognosemodellen lassen sich zukünftige Entwicklungen in urbanen Räumen antizipieren und adaptive Stadtmodelle generieren.

Levelgenerierung

Die automatisierte Erstellung von Spielumgebungen – von labyrinthartigen Dungeons bis hin zu komplexen Missionsstrukturen – ist ein zentraler Forschungsschwerpunkt an unserem Lehrstuhl. Neben zufallsbasierten Ansätzen und graphischen Methoden integrieren wir lernbasierte Algorithmen, um Level nicht nur abwechslungsreich, sondern auch spielmechanisch ausgewogen zu gestalten.

• Stochastische Prozesse: Zufallsgesteuerte Verfahren sorgen für Vielfalt und unvorhersehbare Strukturen, was den Wiederspielwert signifikant erhöht.

• Graph-basierte Modelle: Durch den Einsatz von Knotenpunkten und Verbindungspfaden wird die logische Struktur eines Levels sichergestellt – etwa zur Gewährleistung eines konsistenten Spielflusses.

Die Integration von Computational Intelligence hebt unseren Ansatz deutlich hervor:

• Deep Reinforcement Learning: Hierbei werden Agenten trainiert, die eigenständig Wege finden, Level-Designs zu bewerten und zu optimieren. Dies führt zu adaptiven Leveln, die sich in Echtzeit an den Spielverlauf anpassen können.

• Constraint Solving und Regelbasierte Systeme: Durch lernbasierte Verfahren wird sichergestellt, dass festgelegte Designregeln (etwa hinsichtlich Schwierigkeitsgrad, Balance und Zugänglichkeit) kontinuierlich eingehalten und verbessert werden.
   

Die entwickelten Ansätze finden Anwendung in der Spieleentwicklung, in Simulationen für Umweltschutz und Stadtplanung sowie in der Visualisierung geologischer Prozesse. Dabei vergeben wir gezielt Forschungsaufträge, etwa in Form von Abschlussarbeiten um praxisnahe Lösungen zu entwickeln.

Empfohlene Literatur

Shaker, Noor & Togelius, Julian & Nelson, Mark. (2016). Procedural Content Generation in Games. 10.1007/978-3-319-42716-4.

Lindenmayer, Aristid & Prusinkiewicz, Przemyslaw. (1990), The Algorithmic Beauty of Plants

Jouni Smed and Harri Hakonen. 2017. Algorithms and Networking for Computer Games (2nd. ed.). Wiley Publishing.

Ebert, David & Musgrave, F.K. & Peachey, D. & Perlin, Ken & Worley, Steve & Mark, W.R. & Hart, John. (2002). Texturing and Modeling: A Procedural Approach: Third Edition.

Tanya X. Short and Tarn Adams. 2017. Procedural Generation in Game Design (1st. ed.). A. K. Peters, Ltd., USA.