Earticle

초록

영어

As game content becomes more complex, conventional manual and script-based testing methods face limitations in cost and coverage. This study presents a Deep Reinforcement Learning (DRL)–based automated game testing agent that interacts with a game’s graphical user interface (GUI) using only pixel-level visual inputs. By combining a ResNet18-based visual perception module with the Proximal Policy Optimization (PPO) algorithm, the agent handles in-game obstacles such as jumping, crouching, and wall-climbing without access to internal game code. Experimental results show that the proposed agent outperforms a random baseline in task success rate and learning stability across diverse obstacle configurations, demonstrating the feasibility of DRL-based automated testing in black-box game environments.

한국어

게임 콘텐츠가 점점 복잡해짐에 따라 기존의 수동 테스트 및 스크립트 기반 테스트 방법 은 비용과 테스트 범위 측면에서 한계를 보이고 있다. 본 연구에서는 픽셀 수준의 시각 정 보만을 사용하여 게임의 그래픽 사용자 인터페이스(GUI)와 상호작용하는 딥 강화학습(DRL) 기반 자동 게임 테스트 에이전트를 제안한다. 제안된 에이전트는 ResNet18 기반 시각 인식 모듈과 Proximal Policy Optimization(PPO) 알고리즘을 결합하여, 게임에 대한 어떠한 선 해 정보 없이도 게임 내 장애물을 만났을 때 점프, 웅크리기, 벽 오르기와 같은 회피 방법 을 효과적으로 선택할 수 있다. 실험 결과, 제안된 에이전트는 다양한 장애물 구성 환경에 서 무작위 기준 모델 대비 더 높은 과제 성공률과 안정적인 학습 성능을 보였으며, 이를 통해 블랙박스 게임 환경에서 DRL 기반 자동 테스트의 실현 가능성을 입증하였다.

목차

ABSTRACT
요약
1. 서론
2. 관련 연구
2.1 심층 강화학습 기반 자동화 테스트 연구 동향
2.2 Black-Box, White-Box, Grey-Box 접근법 비교 분석
3. 장애물 극복 및 상호작용 에이전트
3.1 PPO(Proximal Policy Optimization)와 ResNet18을 이용한 시각 기반 행동 결정
3.2 프레임 스태킹 (Frame Stacking)
3.3 다중 바이너리 공간
3.4 보상(Reward) 설계
4. 실험 설계 및 평가 지표
4.1 표준 실험 환경 구축 방안
4.2 성능 평가 지표
4.3 분석 결과
5. 결론
Acknowledgement
참고문헌

키워드

저자

• 유승한 [ Seung Han Yu | 조선대학교 재학 ]
• 김동환 [ DongHwan Kim | 조선대학교 재학 ]
• 나민수 [ MinSoo Na | 조선대학교 재학 ]
• 김성기 [ SeongKi Kim | 조선대학교 재직 ] Corresponding Author

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  컴퓨터게임및콘텐츠논문지(구 한국컴퓨터게임학회논문지) [Journal of Computer Games and Contents]

• 간기

  월간

• pISSN

  3091-7409

• eISSN

  3092-3638

• 수록기간

  2002~2026

• 등재여부

  KCI 등재

• 십진분류

  KDC 691 DDC 793