Fugu-MT 論文翻訳(概要): Multiplayer Support for the Arcade Learning Environment

論文の概要: Multiplayer Support for the Arcade Learning Environment

arxiv url: http://arxiv.org/abs/2009.09341v2
Date: Sun, 17 Jan 2021 22:21:57 GMT
ステータス: 処理完了
システム内更新日: 2022-10-16 12:34:24.183411
Title: Multiplayer Support for the Arcade Learning Environment
Title（参考訳）: アーケード学習環境におけるマルチプレイヤー支援
Authors: J. K. Terry, Benjamin Black, Luis Santos
Abstract要約: マルチプレイヤーゲームやゲームモードへのサポートを拡張した,ALEの公開拡張について紹介する。このインターフェースは PettingZoo と統合されており、Python の Gym ライクなインターフェースでこれらのゲームと対話することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The Arcade Learning Environment ("ALE") is a widely used library in the reinforcement learning community that allows easy programmatic interfacing with Atari 2600 games, via the Stella emulator. We introduce a publicly available extension to the ALE that extends its support to multiplayer games and game modes. This interface is additionally integrated with PettingZoo to allow for a simple Gym-like interface in Python to interact with these games. We additionally introduce experimental baselines for all environments included.
Abstract（参考訳）: アーケード学習環境(アーケード学習環境、英: Arcade Learning Environment、ALE)は、強化学習コミュニティで広く使われているライブラリであり、ステラエミュレータを介して、Atari 2600ゲームと簡単にプログラムで対話できる。我々は、マルチプレイヤーゲームやゲームモードへのサポートを拡張するALEの公開拡張を導入する。このインターフェイスはpettingzooと統合され、pythonのシンプルなジムのようなインターフェイスがこれらのゲームと対話できる。さらに,すべての環境に対して実験ベースラインを導入する。

関連論文リスト

Amorphous Fortress Online: Collaboratively Designing Open-Ended Multi-Agent AI and Game Environments [1.8802008255570535]
Amorphous Fortress OnlineはWebベースのプラットフォームで、ペトリディッシュのような環境や、マルチエージェントAIキャラクタで構成されるゲームを設計できる。ユーザーは、顕微鏡的だが透明な有限状態マシンエージェントで構成される人工生命とゲーム環境をプレイ、作成、共有することができる。
論文参考訳（メタデータ） (2025-02-08T16:25:52Z)
Enhancing Two-Player Performance Through Single-Player Knowledge Transfer: An Empirical Study on Atari 2600 Games [1.03590082373586]
本研究では,Atari 2600 RAMを入力状態とした10種類のAtari 2600環境における提案手法について検討した。我々は,スクラッチから2人プレイヤ設定のトレーニングよりも,シングルプレイヤートレーニングプロセスからトランスファーラーニングを使用することの利点について論じる。
論文参考訳（メタデータ） (2024-10-22T02:57:44Z)
Scaling Instructable Agents Across Many Simulated Worlds [70.97268311053328]
私たちのゴールは、シミュレーションされた3D環境で人間ができることを何でも達成できるエージェントを開発することです。我々のアプローチは、最小限の仮定を示唆しながら、言語駆動の一般性に焦点を当てている。我々のエージェントは、汎用的なヒューマンライクなインタフェースを使って、リアルタイムで環境と対話する。
論文参考訳（メタデータ） (2024-03-13T17:50:32Z)
Accelerate Multi-Agent Reinforcement Learning in Zero-Sum Games with Subgame Curriculum Learning [65.36326734799587]
ゼロサムゲームのための新しいサブゲームカリキュラム学習フレームワークを提案する。エージェントを以前に訪れた状態にリセットすることで、適応的な初期状態分布を採用する。我々は,2乗距離をNE値に近似するサブゲーム選択指標を導出する。
論文参考訳（メタデータ） (2023-10-07T13:09:37Z)
Technical Challenges of Deploying Reinforcement Learning Agents for Game Testing in AAA Games [58.720142291102135]
本稿では,既存の自動ゲームテストソリューションに,スクリプト型ボットをベースとして,実験的な強化学習システムを追加する取り組みについて述べる。ゲーム制作において強化学習を活用するためのユースケースを示し、ゲームのために同じ旅をしたいと思う人なら誰でも遭遇する最大の時間をカバーしています。我々は、機械学習、特にゲーム生産において効果的なツールである強化学習を作るのに価値があり、必要であると考えるいくつかの研究指針を提案する。
論文参考訳（メタデータ） (2023-07-19T18:19:23Z)
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)
Meta Arcade: A Configurable Environment Suite for Meta-Learning [4.962850553353402]
本稿では,共通の視覚,状態空間,アクション空間,ゲームコンポーネント,スコアリング機構などを共有する,カスタム2Dアーケードゲームを容易に定義および設定するツールであるMeta Arcadeを紹介する。このフレームワークの可能性を総合的に説明した24の事前定義されたゲーム群を含み、これらのゲームがどのように研究アプリケーションに設定できるかについて議論する。
論文参考訳（メタデータ） (2021-12-01T15:54:38Z)
PettingZoo: Gym for Multi-Agent Reinforcement Learning [1.766396559314054]
PettingZooは、汎用的でエレガントなPython APIを備えた、多様なマルチエージェント環境のライブラリである。 PettingZooは、マルチエージェント強化学習における研究の加速を目的として開発された。我々は、MARL環境における主要な問題に関するケーススタディを通じて、人気のあるゲームモデルは、MARLで一般的に使用されるゲームのコンセプトモデルが貧弱であると主張している。
論文参考訳（メタデータ） (2020-09-30T06:42:09Z)
Learning to Simulate Dynamic Environments with GameGAN [109.25308647431952]
本稿では,エージェントが環境と対話するのを見ることでシミュレーターを学習することを目的とする。ゲームGANは,学習中にスクリーンプレイやキーボード操作を取り入れることで,所望のゲームを視覚的に模倣することを学習する生成モデルである。
論文参考訳（メタデータ） (2020-05-25T14:10:17Z)
Exploration Based Language Learning for Text-Based Games [72.30525050367216]
本研究は,テキストベースのコンピュータゲームにおいて,最先端の性能を発揮できる探索・模倣学習型エージェントを提案する。テキストベースのコンピュータゲームは、自然言語でプレイヤーの世界を記述し、プレイヤーがテキストを使ってゲームと対話することを期待する。これらのゲームは、言語理解、問題解決、および人工エージェントによる言語生成のためのテストベッドと見なすことができるため、興味がある。
論文参考訳（メタデータ） (2020-01-24T03:03:51Z)

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。