論文の概要: Neural MMO v1.3: A Massively Multiagent Game Environment for Training
and Evaluating Neural Networks
- arxiv url: http://arxiv.org/abs/2001.12004v2
- Date: Fri, 17 Apr 2020 01:58:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-05 05:46:56.344956
- Title: Neural MMO v1.3: A Massively Multiagent Game Environment for Training
and Evaluating Neural Networks
- Title(参考訳): Neural MMO v1.3: ニューラルネットワークのトレーニングと評価のための大規模マルチエージェントゲーム環境
- Authors: Joseph Suarez, Yilun Du, Igor Mordatch, Phillip Isola
- Abstract要約: 本稿では,MMOにインスパイアされたマルチエージェントゲーム環境であるNeural MMOを紹介する。
分散インフラストラクチャとゲームIOという,AI研究のためのマルチエージェントシステムエンジニアリングにおける,より一般的な2つの課題について論じる。
- 参考スコア(独自算出の注目度): 48.5733173329785
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Progress in multiagent intelligence research is fundamentally limited by the
number and quality of environments available for study. In recent years,
simulated games have become a dominant research platform within reinforcement
learning, in part due to their accessibility and interpretability. Previous
works have targeted and demonstrated success on arcade, first person shooter
(FPS), real-time strategy (RTS), and massive online battle arena (MOBA) games.
Our work considers massively multiplayer online role-playing games (MMORPGs or
MMOs), which capture several complexities of real-world learning that are not
well modeled by any other game genre. We present Neural MMO, a massively
multiagent game environment inspired by MMOs and discuss our progress on two
more general challenges in multiagent systems engineering for AI research:
distributed infrastructure and game IO. We further demonstrate that standard
policy gradient methods and simple baseline models can learn interesting
emergent exploration and specialization behaviors in this setting.
- Abstract(参考訳): マルチエージェント知能研究の進展は、研究に利用可能な環境の数と品質によって基本的に制限される。
近年、シミュレーションゲームは強化学習において、アクセシビリティと解釈可能性のために支配的な研究プラットフォームとなっている。
アーケード、ファースト・パーソナリティ・シューティング(FPS)、リアルタイム戦略(RTS)、大規模なオンラインバトルアリーナ(MOBA)ゲームでの成功を目標としてきた。
我々の研究は、マルチプレイヤーのオンラインロールプレイングゲーム(MMORPGsまたはMMOs)について検討しており、他のゲームジャンルではうまくモデル化されていない実世界の学習の複雑さを捉えている。
我々は、MMOにインスパイアされた大規模マルチエージェントゲーム環境であるNeural MMOを紹介し、AI研究のためのマルチエージェントシステムエンジニアリングにおける2つのより一般的な課題、分散インフラストラクチャとゲームIOについて述べる。
さらに、標準方針勾配法と単純なベースラインモデルは、この設定において興味深い創発的な探索と特殊化の振る舞いを学習できることを示す。
関連論文リスト
- TiZero: Mastering Multi-Agent Football with Curriculum Learning and
Self-Play [19.98100026335148]
TiZeroは、スクラッチから学習する自己進化型マルチエージェントシステムである。
これは、Google Research Footballの環境において、これまでのシステムよりはるかに優れている。
論文 参考訳(メタデータ) (2023-02-15T08:19:18Z) - DIAMBRA Arena: a New Reinforcement Learning Platform for Research and
Experimentation [91.3755431537592]
本研究は、強化学習研究と実験のための新しいプラットフォームであるDIAMBRA Arenaを提示する。
高品質な環境のコレクションが,OpenAI Gym標準に完全に準拠したPython APIを公開している。
これらは、離散的なアクションと観測を生のピクセルと追加の数値で構成したエピソディックなタスクである。
論文 参考訳(メタデータ) (2022-10-19T14:39:10Z) - MineDojo: Building Open-Ended Embodied Agents with Internet-Scale
Knowledge [70.47759528596711]
私たちは、人気のMinecraftゲーム上に構築された新しいフレームワークであるMineDojoを紹介します。
本稿では,学習報酬関数として,大規模な事前学習ビデオ言語モデルを活用する新しいエージェント学習アルゴリズムを提案する。
我々のエージェントは、手動で設計した密なシェーピング報酬なしで、自由形式の言語で指定された様々なオープンエンドタスクを解くことができる。
論文 参考訳(メタデータ) (2022-06-17T15:53:05Z) - The Neural MMO Platform for Massively Multiagent Research [49.51549968445566]
Neural MMOは、大規模なエージェント集団、長期水平線、オープンエンドタスク、モジュール型ゲームシステムを組み合わせた研究プラットフォームである。
我々は、Neural MMOを、アクティブなサポート、継続的な開発、ドキュメント、追加のトレーニング、ロギング、視覚化ツールを備えた、フリーでオープンソースのソフトウェアとして提示します。
論文 参考訳(メタデータ) (2021-10-14T17:54:49Z) - TiKick: Toward Playing Multi-agent Football Full Games from Single-agent
Demonstrations [31.596018856092513]
Tikickは、マルチエージェントのGoogle Research Footballのフルゲームを引き継ぐことができる、学習ベースのAIシステムである。
私たちの知る限りでは、Tikickは、マルチエージェントのGoogle Research Footballのフルゲームを引き継ぐことができる、初めての学習ベースのAIシステムだ。
論文 参考訳(メタデータ) (2021-10-09T08:34:58Z) - Human-Level Reinforcement Learning through Theory-Based Modeling,
Exploration, and Planning [27.593497502386143]
理論に基づく強化学習は、人間のような直感的な理論を使って環境を探索しモデル化する。
EMPAと呼ばれるゲームプレイエージェントのアプローチをインスタンス化する。
EMPAは90のAtariスタイルのビデオゲームで人間の学習効率と一致します。
論文 参考訳(メタデータ) (2021-07-27T01:38:13Z) - Griddly: A platform for AI research in games [0.0]
我々はGriddlyをゲームAI研究の新しいプラットフォームとして紹介する。
Griddlyは、高度にカスタマイズ可能なゲーム、異なるオブザーバタイプ、効率的なC++コアエンジンのユニークな組み合わせを提供する。
本稿では,RLエージェントの観察構成と一般化能力の相違について,一連の基礎実験を行った。
論文 参考訳(メタデータ) (2020-11-12T13:23:31Z) - SMARTS: Scalable Multi-Agent Reinforcement Learning Training School for
Autonomous Driving [96.50297622371457]
マルチエージェントインタラクションは、現実の世界における自律運転の基本的な側面である。
研究と開発が10年以上続いたにもかかわらず、様々なシナリオで多様な道路ユーザーと対話する方法の問題は未解決のままである。
SMARTSと呼ばれる,多種多様な運転インタラクションを生成する専用シミュレーションプラットフォームを開発した。
論文 参考訳(メタデータ) (2020-10-19T18:26:10Z) - The NetHack Learning Environment [79.06395964379107]
本稿では、強化学習研究のための手続き的に生成されたローグのような環境であるNetHack Learning Environment(NLE)を紹介する。
我々は,NetHackが,探索,計画,技術習得,言語条件付きRLといった問題に対する長期的な研究を促進するのに十分複雑であると主張している。
我々は,分散されたDeep RLベースラインとランダムネットワーク蒸留探索を用いて,ゲームの初期段階における実験的な成功を示す。
論文 参考訳(メタデータ) (2020-06-24T14:12:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。