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

• OpenWebVoyager: Building Multimodal Web Agents via Iterative Real-World Exploration, Feedback and Optimization [66.22117723598872]
  マルチモーダルWebエージェントの開発を容易にするために設計されたオープンソースフレームワークを紹介する。 まず、基本モデルを模倣学習で訓練し、基礎能力を得る。 次に、エージェントにオープンウェブを探索させ、その軌道に関するフィードバックを収集する。
  論文  参考訳（メタデータ） (2024-10-25T15:01:27Z)
• Massively Multiagent Minigames for Training Generalist Agents [1.2762029466132794]
  本稿では,強化学習ベンチマークとして使用する多エージェントミニゲームの集合であるMeta MMOを紹介する。 Meta MMOは、NeurIPSの2つのコンペティションの対象となった、非常にマルチエージェントな環境であるNeural MMO上に構築されている。
  論文  参考訳（メタデータ） (2024-06-07T16:41:05Z)
• A Survey on Large Language Model-Based Game Agents [9.892954815419452]
  ゲームエージェントの開発は、人工知能(AGI)に進む上で重要な役割を担っている 本稿では, LLMをベースとしたゲームエージェントについて, 総合的な視点から概観する。
  論文  参考訳（メタデータ） (2024-04-02T15:34:18Z)
• 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)
• 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)
• 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。