論文の概要: Mimicking Playstyle by Adapting Parameterized Behavior Trees in RTS
Games
- arxiv url: http://arxiv.org/abs/2111.12144v1
- Date: Tue, 23 Nov 2021 20:36:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-26 00:35:22.136641
- Title: Mimicking Playstyle by Adapting Parameterized Behavior Trees in RTS
Games
- Title（参考訳）: RTSゲームにおけるパラメータ化行動木適応によるプレイスタイルの模倣
- Authors: Andrzej Kozik, Tomasz Machalewski, Mariusz Marek, Adrian Ochmann
- Abstract要約: 行動木(BT)は、ゲームにおける人工知能(AI)の分野に影響を与えた。
BTは手作りのBTの複雑さをほとんど難なくし、エラーを起こしやすくした。
この分野の最近のトレンドはAIエージェントの自動作成に焦点を当てている。
本稿では,人間のゲームプレイを模倣し一般化する,AIエージェントの半自動構築手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The discovery of Behavior Trees (BTs) impacted the field of Artificial
Intelligence (AI) in games, by providing flexible and natural representation of
non-player characters (NPCs) logic, manageable by game-designers. Nevertheless,
increased pressure on ever better NPCs AI-agents forced complexity of
handcrafted BTs to became barely-tractable and error-prone. On the other hand,
while many just-launched on-line games suffer from player-shortage, the
existence of AI with a broad-range of capabilities could increase players
retention. Therefore, to handle above challenges, recent trends in the field
focused on automatic creation of AI-agents: from deep- and
reinforcementlearning techniques to combinatorial (constrained) optimization
and evolution of BTs. In this paper, we present a novel approach to
semi-automatic construction of AI-agents, that mimic and generalize given human
gameplays by adapting and tuning of expert-created BT under a developed
similarity metric between source and BT gameplays. To this end, we formulated
mixed discrete-continuous optimization problem, in which topological and
functional changes of the BT are reflected in numerical variables, and
constructed a dedicated hybrid-metaheuristic. The performance of presented
approach was verified experimentally in a prototype real-time strategy game.
Carried out experiments confirmed efficiency and perspectives of presented
approach, which is going to be applied in a commercial game.
- Abstract（参考訳）: 挙動木(BT)の発見は、ゲーム設計者が管理できる非プレイヤー文字(NPC)論理の柔軟で自然な表現を提供することによって、ゲームにおける人工知能(AI)の分野に影響を与えた。
それでも、より優れたNPCに対するプレッシャーが増し、AIエージェントは手作りBTの複雑さをほとんど引き付けず、エラーを起こしやすくした。
一方、多くのオンラインゲームはプレイヤーショートエイジに悩まされているが、幅広い能力を持つAIの存在はプレイヤーの保持を増加させる可能性がある。
したがって、上記の課題に対処するため、近年のトレンドは、深層・強化学習技術からBTの組合せ最適化や進化まで、AIエージェントの自動作成に焦点を当てている。
本稿では,AIエージェントの半自動構築に対する新しいアプローチを提案する。この手法は,専門家が作成したBTを,ソースとBTの類似度尺度に適応し,チューニングすることで,人間のゲームプレイを模倣し,一般化するものである。
この目的のために, bt の位相的および関数的変化を数値変数に反映する混合離散連続最適化問題を定式化し, 専用ハイブリッド-メタヒューリスティックを構築した。
提案手法の性能を実時間戦略ゲームで実験的に検証した。
実験により,商用ゲームに適用される提案手法の効率性と展望を確認した。
関連論文リスト
- Mastering the Digital Art of War: Developing Intelligent Combat Simulation Agents for Wargaming Using Hierarchical Reinforcement Learning [0.0]
対象とする観察抽象化、マルチモデル統合、ハイブリッドAIフレームワーク、階層的な強化学習フレームワークなど、包括的なアプローチを提案する。
線形空間減衰を用いた局所的な観測抽象化は,RL問題を単純化し,計算効率を向上し,従来の大域的観測法よりも優れた有効性を示す。
我々のハイブリッドAIフレームワークは、スクリプトエージェントとRLを同期させ、高レベルの決定にRLを、低レベルのタスクにスクリプトエージェントを活用し、適応性、信頼性、パフォーマンスを向上させる。
論文 参考訳（メタデータ） (2024-08-23T18:50:57Z) - Toward Optimal LLM Alignments Using Two-Player Games [86.39338084862324]
本稿では,対戦相手と防御エージェントの反復的相互作用を含む2エージェントゲームのレンズによるアライメントについて検討する。
この反復的強化学習最適化がエージェントによって誘導されるゲームに対するナッシュ平衡に収束することを理論的に実証する。
安全シナリオにおける実験結果から、このような競争環境下での学習は、完全に訓練するエージェントだけでなく、敵エージェントと防御エージェントの両方に対する一般化能力の向上したポリシーにつながることが示されている。
論文 参考訳（メタデータ） (2024-06-16T15:24:50Z) - Toward Human-AI Alignment in Large-Scale Multi-Player Games [24.784173202415687]
我々はXboxのBleeding Edge(100K+ゲーム)から広範囲にわたる人間のゲームプレイデータを解析する。
人間のプレイヤーは、戦闘飛行や探索飛行行動において多様性を示す一方で、AIプレイヤーは均一性に向かう傾向にある。
これらの大きな違いは、ヒューマンアラインアプリケーションにおけるAIの解釈可能な評価、設計、統合の必要性を浮き彫りにしている。
論文 参考訳（メタデータ） (2024-02-05T22:55:33Z) - Exploration with Principles for Diverse AI Supervision [88.61687950039662]
次世代の予測を用いた大規模トランスフォーマーのトレーニングは、AIの画期的な進歩を生み出した。
この生成AIアプローチは印象的な結果をもたらしたが、人間の監督に大きく依存している。
この人間の監視への強い依存は、AIイノベーションの進歩に重大なハードルをもたらす。
本稿では,高品質なトレーニングデータを自律的に生成することを目的とした,探索型AI(EAI)という新しいパラダイムを提案する。
論文 参考訳（メタデータ） (2023-10-13T07:03:39Z) - Tachikuma: Understading Complex Interactions with Multi-Character and
Novel Objects by Large Language Models [67.20964015591262]
我々は,複数文字と新しいオブジェクトベースインタラクション推定タスクとサポートデータセットからなる,立久間というベンチマークを導入する。
このデータセットは、ゲームプレイ中のリアルタイム通信からログデータをキャプチャし、多様な、接地された複雑なインタラクションを提供して、さらなる探索を行う。
本稿では,対話理解の強化に有効であることを示すため,簡単なプロンプトベースラインを提案し,その性能評価を行う。
論文 参考訳（メタデータ） (2023-07-24T07:40:59Z) - Mastering Asymmetrical Multiplayer Game with Multi-Agent
Asymmetric-Evolution Reinforcement Learning [8.628547849796615]
非対称マルチプレイヤーゲーム (AMP game) は、ゲーム内で複数の種類のエージェントが競合したり協力したりする人気ゲームジャンルである。
非対称な環境下での非バランス性のため、AMPゲームでトップの人間プレイヤーを倒すことのできる強力なエージェントを、典型的なセルフプレイトレーニング手法で訓練することは困難である。
AMPゲームにおいて,複数種類のエージェントを同時に学習できる新しいマルチエージェント強化学習フレームワークである非対称進化学習(AET)を提案する。
論文 参考訳（メタデータ） (2023-04-20T07:14:32Z) - 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) - Playing a 2D Game Indefinitely using NEAT and Reinforcement Learning [0.0]
アルゴリズムの性能は、アルゴリズムが入力される環境において、アルゴリズムに従って振る舞う人工エージェントを用いて比較することができる。
人工エージェントに適用されるアルゴリズムはNeuroEvolution of Augmenting Topologies (NEAT)とReinforcement Learningである。
論文 参考訳（メタデータ） (2022-07-28T15:01:26Z) - On games and simulators as a platform for development of artificial
intelligence for command and control [46.33784995107226]
ゲームやシミュレータは、複雑なマルチエージェント、マルチプレイヤー、不完全な情報シナリオを実行する上で価値のあるプラットフォームである。
StarCraft IIのようなリアルタイム戦略ゲームにおける人工知能アルゴリズムの成功もまた、軍事研究コミュニティの注目を集めている。
論文 参考訳（メタデータ） (2021-10-21T17:39:58Z) - 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)
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。