論文の概要: Carle's Game: An Open-Ended Challenge in Exploratory Machine Creativity
- arxiv url: http://arxiv.org/abs/2107.05786v1
- Date: Tue, 13 Jul 2021 00:07:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-14 14:55:30.947370
- Title: Carle's Game: An Open-Ended Challenge in Exploratory Machine Creativity
- Title(参考訳): Carle's Game: 探索機械の創造性への挑戦
- Authors: Q. Tyrell Davis
- Abstract要約: 本稿では,ライフライクなセルオートマトンシミュレータCARLEと強化学習環境について紹介する。
また、オープンエンドマシン探索と創造性の挑戦であるCarle's Gameへの招待でもある。
- 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: This paper is both an introduction and an invitation. It is an introduction
to CARLE, a Life-like cellular automata simulator and reinforcement learning
environment. It is also an invitation to Carle's Game, a challenge in
open-ended machine exploration and creativity. Inducing machine agents to excel
at creating interesting patterns across multiple cellular automata universes is
a substantial challenge, and approaching this challenge is likely to require
contributions from the fields of artificial life, AI, machine learning, and
complexity, at multiple levels of interest. Carle's Game is based on machine
agent interaction with CARLE, a Cellular Automata Reinforcement Learning
Environment. CARLE is flexible, capable of simulating any of the 262,144
different rules defining Life-like cellular automaton universes. CARLE is also
fast and can simulate automata universes at a rate of tens of thousands of
steps per second through a combination of vectorization and GPU acceleration.
Finally, CARLE is simple. Compared to high-fidelity physics simulators and
video games designed for human players, CARLE's two-dimensional grid world
offers a discrete, deterministic, and atomic universal playground, despite its
complexity. In combination with CARLE, Carle's Game offers an initial set of
agent policies, learning and meta-learning algorithms, and reward wrappers that
can be tailored to encourage exploration or specific tasks.
- Abstract(参考訳): この論文は紹介と招待の両方です。
ライフライクなセルオートマトンシミュレータと強化学習環境であるCARLEの導入である。
また、オープンエンドマシン探索と創造性の挑戦であるCarle's Gameへの招待でもある。
複数のセルオートマチック宇宙にまたがる興味深いパターンを作るために、機械エージェントを誘導することは大きな課題であり、この課題に取り組むには、人工生命、AI、機械学習、複雑さの分野から、さまざまなレベルの関心を持って貢献する必要がある。
Carle's Gameはセルラーオートマタ強化学習環境であるCARLEとのマシンエージェントインタラクションに基づいている。
CARLEは柔軟で、ライフライクなセルオートマトン宇宙を定義する262,144のルールをシミュレートすることができる。
carleはまた高速で、ベクトル化とgpuアクセラレーションの組み合わせによって、毎秒数万歩の速度でオートマトン宇宙をシミュレートすることができる。
最後に、CARLEは単純です。
人間のプレイヤー向けに設計された高忠実な物理シミュレータやビデオゲームと比較すると、CARLEの2次元グリッドワールドは複雑さにもかかわらず、離散的で決定論的でアトミックな普遍的な遊び場を提供する。
CARLEと組み合わせて、Carle's Gameは、エージェントポリシー、学習とメタ学習アルゴリズム、そして、探索や特定のタスクを奨励するために調整可能な報酬ラッパーのセットを提供する。
関連論文リスト
- Learning to Play Foosball: System and Baselines [0.09642500063568188]
この研究は、科学研究、特にロボット学習の領域において、フォスボールを多用途プラットフォームとして活用する。
本稿では,Fosball の自動表とそれに対応する模擬表を提示し,様々な課題を提示する。
物理フォスボールテーブルを研究フレンドリーなシステムにするために、ゴールキーパーロッドを制御するために、自由な運動鎖を2度の自由度で拡張しました。
論文 参考訳(メタデータ) (2024-07-23T16:11:08Z) - GRUtopia: Dream General Robots in a City at Scale [65.08318324604116]
本稿では,各種ロボットを対象とした対話型3D社会「GRUtopia」について紹介する。
GRScenesには100万のインタラクティブな微妙な注釈付きシーンが含まれており、都市規模の環境に自由に組み合わせることができる。
GRResidentsはLarge Language Model (LLM)によって駆動されるNon-Player Character (NPC)システムである。
論文 参考訳(メタデータ) (2024-07-15T17:40:46Z) - Autoverse: An Evolvable Game Language for Learning Robust Embodied Agents [2.624282086797512]
シングルプレイヤ2Dグリッドベースのゲームのための,進化可能なドメイン固有言語であるAutoverseを紹介する。
オープンエンデッドラーニング(OEL)アルゴリズムのスケーラブルなトレーニンググラウンドとしての利用を実証する。
論文 参考訳(メタデータ) (2024-07-05T02:18:02Z) - DrEureka: Language Model Guided Sim-To-Real Transfer [64.14314476811806]
シミュレーションで学んだ政策を現実世界に伝達することは、ロボットのスキルを大規模に獲得する上で有望な戦略である。
本稿では,Large Language Models (LLMs) を用いてシム・トゥ・リアル設計の自動化と高速化を行う。
本手法では,ヨガボールの上を歩行する四足歩行や四足歩行など,新しいロボットタスクを解くことができる。
論文 参考訳(メタデータ) (2024-06-04T04:53:05Z) - BEHAVIOR-1K: A Human-Centered, Embodied AI Benchmark with 1,000 Everyday Activities and Realistic Simulation [63.42591251500825]
本稿では,人間中心ロボットの総合シミュレーションベンチマークであるBEHAVIOR-1Kを提案する。
ひとつは、90以上のオブジェクトにリッチな物理的およびセマンティックな特性を付加した50のシーンで、1,000の日常的な活動を定義することである。
第二にOMNIGIBSONは、現実的な物理シミュレーションと剛体、変形可能な体、液体のレンダリングを通じてこれらの活動を支援する新しいシミュレーション環境である。
論文 参考訳(メタデータ) (2024-03-14T09:48:36Z) - Sim-to-Real via Sim-to-Seg: End-to-end Off-road Autonomous Driving
Without Real Data [56.49494318285391]
我々は、オフロード自動運転の視覚的現実的ギャップを横断するRCANを再想像するSim2Segを紹介する。
これは、ランダム化されたシミュレーション画像をシミュレートされたセグメンテーションと深さマップに変換する学習によって行われる。
これにより、シミュレーションでエンドツーエンドのRLポリシーをトレーニングし、現実世界に直接デプロイできます。
論文 参考訳(メタデータ) (2022-10-25T17:50:36Z) - Deep Latent Competition: Learning to Race Using Visual Control Policies
in Latent Space [63.57289340402389]
Deep Latent Competition (DLC) は、想像力の自己プレイを通じて、競合する視覚制御ポリシーを学ぶ強化学習アルゴリズムである。
想像すると、セルフプレイは現実世界でコストのかかるサンプル生成を削減し、潜在表現は観測次元で計画を優雅にスケールできる。
論文 参考訳(メタデータ) (2021-02-19T09:00:29Z) - Measuring Behavioural Similarity of Cellular Automata [0.0]
コンウェイのゲーム・オブ・ライフは、262,144人のメンバーからなる半トータル的なセルオートマトンに属する。
連続した高次元ベクトル空間を提案し、各オートマトンは空間内の点によって表現される。
この空間は、研究者が半古典主義的な規則の族の構造を見やすくし、家族の中に隠された宝石を見つけるのに役立つだろう。
論文 参考訳(メタデータ) (2020-10-16T14:53:33Z) - Sim2Real for Peg-Hole Insertion with Eye-in-Hand Camera [58.720142291102135]
シミュレーションを用いてペグホール挿入問題を学習し,学習したモデルを実ロボットに転送する。
本稿では,RGB-Dとジョイント情報(プロレセプション)のみを取り入れたトランスファーポリシーが,実際のロボットに対して良好に動作することを示す。
論文 参考訳(メタデータ) (2020-05-29T05:58:54Z)
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。