Rédaction
Date
Partenaire(s)
L’IA pour libérer les testeur·ses de jeux vidéo des tâches répétitives et chronophages
Le secteur du jeu vidéo est en constante recherche d’efficacité, notamment pour garantir la qualité des graphismes, élément essentiel à l’expérience de jeu. Engagé à faire progresser cette industrie, le CDRIN développe des initiatives de recherche innovantes, telles que le projet «Libérer la créativité par l’intelligence numérique: la clé de voûte du futur du divertissement». Un domaine de recherche que nous explorons activement est l’automatisation des processus d’assurance qualité, en particulier la détection des bugs graphiques (parfois appelés artefacts ou glitches) à l’aide de techniques d’apprentissage profond de pointe.
Vers une nouvelle génération de contrôle qualité dans le jeu vidéo
Vérifier que le visuel du jeu est toujours parfait prend un temps fou! Traditionnellement, cette détection d’erreurs repose sur des tests manuels, coûteux en temps et en ressources, surtout avec la complexité croissante des jeux modernes. L’IA offre une solution prometteuse pour automatiser ce processus, permettant une analyse plus rapide, précise et exhaustive. Le CDRIN a développé un outil de détection d’erreurs de rendu assisté par l’IA pour améliorer la productivité et la qualité des jeux vidéo. La solution devait identifier les problèmes graphiques avec précision et performance, sans se tromper ou ralentir le jeu, tout en étant facile à intégrer aux différents moteurs de jeu.
L’IA peut-elle vraiment «voir» et identifier les défauts graphiques automatiquement? C’est le défi qu’a voulu relever le CDRIN, qui a mis sur pied un comité scientifique composé d’experts du secteur.
L’objectif du projet est de développer un outil d’intelligence artificielle capable de détecter automatiquement et précisement les défauts visuels dans les jeux vidéo, en exploitant la puissance des modèles Vision Transformer. Notre hypothèse centrale repose sur la capacité de ces modèles d’apprentissage profond à analyser efficacement des images de jeu complexes, en identifiant avec rapidité et performance les erreurs de rendu sans compromettre l’expérience de jeu, offrant ainsi une solution innovante aux défis actuels des tests de qualité graphique.
Détecter l’invisible: quand l’IA traque les bugs graphiques
Voici un retour sur notre démarche méthodologique:
- Simplification du problème: Nous nous sommes concentrés sur un type de bug : les interpénétrations d’objets. Ce choix nous a permis de focaliser nos efforts et de valider rapidement le potentiel de l’IA dans ce contexte précis.
- Sélection du modèle d’IA: Nous avons opté pour un modèle de Vision Transformer (Faster-ViT de Nvidia), réputé pour sa précision et sa rapidité.
- Création d’environnements virtuels: Pour entraîner et tester notre modèle, nous avons développé des générateurs de données synthétiques sous deux moteurs de jeu différents (Unity et Unreal Engine).
- Génération de données d’entraînement: Un processus automatisé a été mis en place pour générer un jeu de données substantiel et diversifié.
- Entraînement du modèle: Le modèle Faster-ViT a été entraîné à différents niveaux de complexité, en utilisant les données synthétiques générées. Ce processus itératif a optimisé la précision du modèle et sa capacité à généraliser les erreurs de rendu.
- Visualisation des erreurs: Un module de carte d’intensité (heat map) a été ajouté, permettant de visualiser rapidement l’emplacement des bugs potentiels.
- Tests et évaluation: Des tests rigoureux ont été effectués pour évaluer la performance du modèle face à différentes variations. Les résultats ont été mesurés et analysés pour valider l’efficacité de la solution.
Collaboration et expertise: un projet au cœur de l’innovation
La réussite de notre projet repose sur une collaboration étroite avec des partenaires clés. Félix Belenger, étudiant du Cégep de Matane, a contribué en créant une scène 3D originale, tandis que les équipes d’Ubisoft Québec et d’Eidos Sherbrooke ont apporté leur expertise technique en partageant leurs insights sur les types d’erreurs et les défis spécifiques du secteur.
Cette collaboration a permis d’enrichir notre démarche en améliorant les tests de généralisation du modèle et en alignant de manière plus précise nos actions avec les besoins réels de l’industrie du jeu vidéo.
Résultats et défis: une nouvelle ère pour le contrôle de qualité
Les résultats de notre outils d’IA pour la détection des bugs graphiques dans le jeu vidéo présente des résultats prometteurs, mais aussi certains défis.
Parmi les points forts remarquables, mentionnons que le modèle se distingue par sa performance en temps réel, atteignant une vitesse impressionnante de 30 images par seconde sur un simple ordinateur portable, ce qui le rend compatible avec un usage en temps réel dans les jeux vidéo. Son intégration directe avec Unity Sentis (moteur d’inférence) facilite son déploiement et utilisation, tandis que sa capacité de génération de données synthétiques permet de produire des des images d’entraînement à l’infini (à un rythme de 10 000 images d’entraînement par heure), ce qui permet d’alimenter l’apprentissage du modèle avec une grande quantité de données variées. Sa robustesse aux variations visuelles – comme les changements d’éclairage ou d’effets graphiques – constitue un avantage important.
Malgré ces résultats encourageants, plusieurs limitations subsistent. Le modèle montre une sensibilité aux variations de points de vue 3D et reste limité par son analyse 2D des images, limitant sa capacité à appréhender la perception de l’espace 3D. L’adaptation à un contexte de jeu réel en développement représente également un défi technique important que nos équipes continueront d’explorer.
Retombées et développements futurs
Ce projet offre à la communauté étudiante et professorale une expérience concrète avec la génération de données synthétiques, ouvrant des nouvelles perspectives professionnelles. Elle acquiert des compétences recherchées dans l’industrie du jeu vidéo et de l’IA.
Les partenaires industriels bénéficient d’un suivi privilégié sur une recherche à fort potentiel pour leur secteur. Ils ont accès aux résultats et aux avancées du projet, ce qui leur permet de rester à la pointe de l’innovation et d’anticiper les futures applications de l’IA dans le développement de jeux vidéo.
L’outil permettra aux utilisateurs et utilisatrices de gagner en productivité en automatisant une tâche fastidieuse et chronophage. La carte d’attention, sous forme de superposition intuitive, permet de visualiser les erreurs potentielles en temps réel, simplifiant le travail de débogage.
Nous souhaitons améliorer le modèle afin de mieux prendre en compte la 3D, puis collaborer avec nos partenaires pour tester et intégrer le modèle amélioré dans un jeu en développement avec des données réelles. Puis, nous envisageons de publier le projet en code-source ouvert pour permettre à la communauté de recherche et de développeur·e d’améliorer l’outil et de l’adapter à leurs besoins.
