論文の概要: Terrain Analysis in StarCraft 1 and 2 as Combinatorial Optimization

• arxiv url: http://arxiv.org/abs/2205.08683v1
• Date: Wed, 18 May 2022 01:34:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-19 13:04:42.171635
• Title: Terrain Analysis in StarCraft 1 and 2 as Combinatorial Optimization
• Title（参考訳）: starcraft 1と2の組合せ最適化における地形解析
• Authors: Florian Richoux
• Abstract要約: 本研究では,地形解析を空間最適化問題として考える方法を提案する。 本手法は,問題モデルにおける制約や目的関数を変更することによって,異なる種類の解析を可能にする。 これにより、私たちのライブラリは、異なる表現ニーズを持つStarCraftボットの普遍的なツールになります。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Terrain analysis in Real-Time Strategy games is a necessary step to allow spacial reasoning. The goal of terrain analysis is to gather and process data about the map topology and properties to have a qualitative spatial representation. On StarCraft games, all previous works on terrain analysis propose a crisp analysis based on connected component detection, Voronoi diagram computation and pruning, and region merging. Those methods have been implemented as game-specific libraries, and they can only offer the same kind of analysis for all maps and all users. In this paper, we propose a way to consider terrain analysis as a combinatorial optimization problem. Our method allows different kinds of analysis by changing constraints or the objective function in the problem model. We also present a library, Taunt, implementing our method and able to handle both StarCraft 1 and StarCraft 2 maps. This makes our library a universal tool for StarCraft bots with different spatial representation needs. We believe our library unlocks the possibility to have real adaptive AIs playing StarCraft, and can be the starting point of a new wave of bots.
• Abstract（参考訳）: リアルタイム戦略ゲームにおける地形解析は、空間的推論を可能にするために必要なステップである。 地形解析の目標は、地図のトポロジーと特性に関するデータを収集し処理し、定性的空間表現を持つことである。 starcraftゲームでは、地形解析に関する以前のすべての研究は、連結されたコンポーネント検出、ボロノイ図計算とプラニング、および領域マージに基づく鮮明な解析を提案している。 これらの手法はゲーム固有のライブラリとして実装されており、全ての地図と全ユーザーに対して同じ種類の分析しか提供できない。 本稿では,地形解析を組合せ最適化問題として考える方法を提案する。 本手法は,問題モデルにおける制約や目的関数を変化させることで,様々な種類の分析を可能にする。 また,本手法を実装し,starcraft 1とstarcraft 2の両方のマップを処理可能なライブラリtauntを提案する。 これにより、私たちのライブラリは、空間表現の異なるStarCraftボットの普遍的なツールになります。 私たちのライブラリは、スタークラフトをプレイする真の適応型AIの可能性を解き放ち、ボットの新たな波の出発点になると考えています。

関連論文リスト

• SRAI: Towards Standardization of Geospatial AI [4.246621775040508]
  Space Representations for Artificial Intelligence (srai)は、地理空間データを扱うためのPythonライブラリである。 このライブラリは地理空間データをダウンロードし、複数のアルゴリズムを使って特定の領域をマイクロリージョンに分割し、埋め込みモデルを訓練することができる。 Sraiは完全にオープンソースで、Apache 2.0ライセンス下で公開されている。
  論文  参考訳（メタデータ） (2023-10-19T18:56:04Z)
• PlotMap: Automated Layout Design for Building Game Worlds [4.74497343690049]
  本稿では,世界構築パイプラインにおけるマップ生成手法とは無関係なプロット設備レイアウト設計の余分なレイヤを導入する。 本稿では、CMA-ESによる進化的計算に基づくアプローチと強化学習(RL)に基づくアプローチの2つの方法を提案する。 施設配置タスクのデータセットを生成し,異なる手法を実験・評価するためのジムのような環境を作成し,さらに総合的な実験によって2つの手法を解析する手法を開発した。
  論文  参考訳（メタデータ） (2023-09-26T20:13:10Z)
• Estimation of control area in badminton doubles with pose information from top and back view drone videos [11.679451300997016]
  我々はバドミントンダブルスでトップとバックビューから最初の注釈付きドローンデータセットを提示する。 チームワークのパフォーマンスを評価するために,制御領域の確率マップを推定するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-07T11:18:39Z)
• Set-the-Scene: Global-Local Training for Generating Controllable NeRF Scenes [68.14127205949073]
  オブジェクトプロキシを用いて3Dシーンを合成するための新しいGlobalLocalトレーニングフレームワークを提案する。 プロキシを使うことで、個々の独立オブジェクトの配置を調整するなど、さまざまな編集オプションが実現可能であることを示す。 その結果,Set-the-Sceneはシーンの合成と操作に強力なソリューションを提供することがわかった。
  論文  参考訳（メタデータ） (2023-03-23T17:17:29Z)
• Elastic Monte Carlo Tree Search with State Abstraction for Strategy Game Playing [58.720142291102135]
  戦略ビデオゲームは、複雑なゲーム要素によって引き起こされる検索スペースでAIエージェントに挑戦する。 状態抽象化は、状態空間の複雑さを低減する一般的なテクニックである。 我々は,状態抽象化を用いてストラテジーゲームをプレイするアルゴリズムであるElastic MCTSを提案する。
  論文  参考訳（メタデータ） (2022-05-30T14:18:45Z)
• Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
  本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。 本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
  論文  参考訳（メタデータ） (2022-04-24T15:23:25Z)
• SoccerNet-Tracking: Multiple Object Tracking Dataset and Benchmark in Soccer Videos [62.686484228479095]
  本稿では,各30の200列からなる複数物体追跡のための新しいデータセットを提案する。 データセットは、バウンディングボックスとトラックレットIDで完全に注釈付けされている。 分析の結果,サッカービデオにおける複数の選手,審判,ボール追跡が解決されるには程遠いことがわかった。
  論文  参考訳（メタデータ） (2022-04-14T12:22:12Z)
• Applying supervised and reinforcement learning methods to create neural-network-based agents for playing StarCraft II [0.0]
  本稿では,汎用的な教師付き強化学習でトレーニングしたStarCraft IIのフル2プレーヤマッチングを実現するニューラルネットワークアーキテクチャを提案する。 本実装では,ゲーム内スクリプトボットと比較して,非自明な性能を実現している。
  論文  参考訳（メタデータ） (2021-09-26T20:08:10Z)
• Region Similarity Representation Learning [94.88055458257081]
  Region similarity Representation Learning(ReSim)は、ローカリゼーションベースのタスクに対する自己監視型表現学習の新しいアプローチである。 ReSimはローカリゼーションのための地域表現とセマンティックイメージレベルの表現の両方を学びます。 競合するMoCo-v2ベースラインと比較して、ReSimがローカリゼーションと分類性能を大幅に向上させる表現をどのように学習するかを示します。
  論文  参考訳（メタデータ） (2021-03-24T00:42:37Z)
• Offline Grid-Based Coverage path planning for guards in games [0.0]
  本稿では,2次元多角形(穴のある)領域をカバーする新しいアルゴリズムを提案する。 単純なレイアウトから、実際のゲームで使用されるより複雑なマップまで、いくつかのシナリオに関する実験的分析は、優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2020-01-15T18:28:27Z)
• Model-Based Reinforcement Learning for Atari [89.3039240303797]
  エージェントがモデルフリーの手法よりも少ないインタラクションでAtariゲームを解くことができることを示す。 本実験は,エージェントと環境間の100kの相互作用の少ないデータ構造における,AtariゲームにおけるSimPLeの評価である。
  論文  参考訳（メタデータ） (2019-03-01T15:40:19Z)

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。