실제세계에서 데이터 수집의 비용과 한계를 고려할 때, 시뮬레이션 생성 환경은 데이터 생성 과 다양한 시도에 있어 효율적인 대안이다. 이 연구에서는 Unity ML Agent를 로그라이크 장 르에 적합한 강화학습 모델로 구현하였다. 간단한 게임에Agent를 이식하고, 이 Agent가 적을 인식하고 대응하는 과정을 코드로 작성하였다. 초기 모델은 조준사격의 한계를 보였으나 RayPerceptionSensor-Component2D를 통해 Agent의 센서 정보를 직접 제공함으로써, Agent가 적을 감지하고 조준 사격을 하는 능력을 관찰할 수 있었다. 결과적으로, 개선된 모델 은 평균3.81배 향상된 성능을 보여주었으며, 이는 Unity ML Agent가 로그라이크 장르에서 강화학습을 통한 데이터 수집이 가능함을 입증한다.

본 연구의 목적은 로그라이크 게임에서 파생된 영속적 죽음의 매커니즘을 고찰하고 해당 매 커니즘이 가져오는 독특한 플레이 양식을 고찰하는 데 있다. 이를 위해 게임에서의 일반적인 죽음의 과정과 영속적 죽음의 과정을 비교 분석했으며 이후 영속적 죽음의 과정이 게임의 플레 이와 리플레이에 미치는 결과를 살펴보았다. 영속적 죽음은 캐릭터의 부활 가능성이 없다는 점 에서 극도의 긴장을 유발하는 플레이 사이클을 구축한다. 이러한 치명적 패널티는 플레이어로 하여금 죽음을 유예하기 위한 선택적 플레이를 야기하지만 이후 플레이어의 숙련된 스킬을 바 탕으로 자신의 선택을 수정하고 대안적 세계를 구축해 나가는 리플레이로 이어진다. 신중한 선 택과 대안적 플레이를 요하는 영속적 죽음의 매커니즘을 통해 진지한 고민을 담을 수 있는 게 임의 새로운 가능성을 모색할 수 있을 것이다.