論文の概要: DeepCrawl: Deep Reinforcement Learning for Turn-based Strategy Games
- arxiv url: http://arxiv.org/abs/2012.01914v1
- Date: Thu, 3 Dec 2020 13:53:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-23 15:10:15.997993
- Title: DeepCrawl: Deep Reinforcement Learning for Turn-based Strategy Games
- Title（参考訳）: DeepCrawl: ターンベースの戦略ゲームのための深層強化学習
- Authors: Alessandro Sestini, Alexander Kuhnle and Andrew D. Bagdanov
- Abstract要約: Deep CrawlはiOSとAndroid用の完全にプレイ可能なRogueライクなプロトタイプで、すべてのエージェントがDeep Reinforcement Learning (DRL)を使用してトレーニングされたポリシーネットワークによって制御される。
本研究の目的は、近年のDRLの進歩が、ビデオゲームにおける非プレイヤーキャラクターに対する説得力のある行動モデルの開発に有効であるかどうかを理解することである。
- 参考スコア（独自算出の注目度）: 137.86426963572214
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper we introduce DeepCrawl, a fully-playable Roguelike prototype
for iOS and Android in which all agents are controlled by policy networks
trained using Deep Reinforcement Learning (DRL). Our aim is to understand
whether recent advances in DRL can be used to develop convincing behavioral
models for non-player characters in videogames. We begin with an analysis of
requirements that such an AI system should satisfy in order to be practically
applicable in video game development, and identify the elements of the DRL
model used in the DeepCrawl prototype. The successes and limitations of
DeepCrawl are documented through a series of playability tests performed on the
final game. We believe that the techniques we propose offer insight into
innovative new avenues for the development of behaviors for non-player
characters in video games, as they offer the potential to overcome critical
issues with
- Abstract（参考訳）: 本稿では,すべてのエージェントが,deep reinforcement learning(drl)を用いてトレーニングされたポリシネットワークによって制御される,iosおよびandroid用のフルプレイ可能なrogueライクなプロトタイプであるdeepcrawlを紹介する。
本研究の目的は、DRLの最近の進歩が、ビデオゲームにおける非プレイヤーキャラクターに対する説得力のある行動モデルの開発に有効かどうかを理解することである。
まず,ゲーム開発に効果的に適用するために,このようなaiシステムが満足すべき要件を分析し,deepcrawlプロトタイプで使用されるdrlモデルの要素を同定する。
DeepCrawlの成功と限界は、最終ゲームで行われた一連のプレイ容易性テストを通じて文書化されている。
私たちが提案する技術は、ビデオゲームにおける非プレイヤーキャラクターの行動発達のための革新的な新しい道の洞察を与えてくれると信じている。
関連論文リスト
- Reinforcing Competitive Multi-Agents for Playing So Long Sucker [0.393259574660092]
本稿では,戦略ゲームSo Long Suckerにおける古典的深層学習(DRL)アルゴリズム,DQN,DDQN,Dueling DQNの使用について検討する。
研究の第一の目的は、古典的なDRL手法を用いて、ゲームのルールと戦略を自律エージェントに教えることである。
論文 参考訳（メタデータ） (2024-11-17T12:38:13Z) - NetHack is Hard to Hack [37.24009814390211]
NeurIPS 2021 NetHack Challengeでは、シンボリックエージェントは中央値のゲームスコアにおいて、ニューラルネットワークのアプローチを4倍以上に上回りました。
我々はNetHackのニューラルポリシー学習について広範な研究を行っている。
従来の完全なニューラルポリシーを127%のオフライン設定、25%のオンライン設定を中央値のゲームスコアで上回る最先端のニューラルエージェントを作成しました。
論文 参考訳（メタデータ） (2023-05-30T17:30:17Z) - Verifying Learning-Based Robotic Navigation Systems [61.01217374879221]
有効モデル選択に現代検証エンジンをどのように利用できるかを示す。
具体的には、検証を使用して、最適下行動を示す可能性のあるポリシーを検出し、除外する。
我々の研究は、現実世界のロボットにおける準最適DRLポリシーを認識するための検証バックエンドの使用を初めて実証したものである。
論文 参考訳（メタデータ） (2022-05-26T17:56:43Z) - Architecting and Visualizing Deep Reinforcement Learning Models [77.34726150561087]
深層強化学習(Deep Reinforcement Learning, DRL)は、コンピュータが相互にコミュニケーションする方法を教えることを目的とした理論である。
本稿では,新しいAtari Pongゲーム環境,ポリシーグラデーションに基づくDRLモデル,リアルタイムネットワーク可視化,そしてDRL推論の直観と認識を構築するためのインタラクティブディスプレイを提案する。
論文 参考訳（メタデータ） (2021-12-02T17:48:26Z) - Deep Policy Networks for NPC Behaviors that Adapt to Changing Design
Parameters in Roguelike Games [137.86426963572214]
例えばRoguelikesのようなターンベースの戦略ゲームは、Deep Reinforcement Learning(DRL)にユニークな課題を提示する。
複雑なカテゴリ状態空間をより適切に処理し、設計決定によって強制的に再訓練する必要性を緩和する2つのネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-12-07T08:47:25Z) - 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) - 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) - Meta-Reinforcement Learning for Robotic Industrial Insertion Tasks [70.56451186797436]
本研究では,メタ強化学習を用いてシミュレーションの課題の大部分を解決する方法について検討する。
エージェントを訓練して現実の挿入タスクを成功させる手法を実証する。
論文 参考訳（メタデータ） (2020-04-29T18:00:22Z)
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。