論文の概要: PyTAG: Challenges and Opportunities for Reinforcement Learning in Tabletop Games

• arxiv url: http://arxiv.org/abs/2307.09905v1
• Date: Wed, 19 Jul 2023 11:08:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-20 14:16:52.351880
• Title: PyTAG: Challenges and Opportunities for Reinforcement Learning in Tabletop Games
• Title（参考訳）: PyTAG:卓上ゲームにおける強化学習の課題と機会
• Authors: Martin Balla, George E.M. Long, Dominik Jeurissen, James Goodman, Raluca D. Gaina, Diego Perez-Liebana
• Abstract要約: 我々は、Tabletop Gamesフレームワーク(TAG)と対話するためのPython APIであるPyTAGを紹介した。 Tagには、AIエージェントのための共通APIを備えた、20以上のモダンなテーブルトップゲームのセットが含まれている。 本稿では,これらのゲームにおいてRLエージェントをトレーニングするためのテクニックと,ゲームサブセット上での近似ポリシー最適化アルゴリズムのトレーニング後のベースライン結果を紹介する。
• 参考スコア（独自算出の注目度）: 0.880802134366532
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, Game AI research has made important breakthroughs using Reinforcement Learning (RL). Despite this, RL for modern tabletop games has gained little to no attention, even when they offer a range of unique challenges compared to video games. To bridge this gap, we introduce PyTAG, a Python API for interacting with the Tabletop Games framework (TAG). TAG contains a growing set of more than 20 modern tabletop games, with a common API for AI agents. We present techniques for training RL agents in these games and introduce baseline results after training Proximal Policy Optimisation algorithms on a subset of games. Finally, we discuss the unique challenges complex modern tabletop games provide, now open to RL research through PyTAG.
• Abstract（参考訳）: 近年,ゲームai研究は強化学習(rl)を用いた重要なブレークスルーを遂げている。 それにもかかわらず、現代のテーブルトップゲーム向けのRLは、ビデオゲームと比較して様々な難題を経験してもほとんど注目を集めていない。 このギャップを埋めるために、Tabletop Gamesフレームワーク(TAG)と対話するためのPython APIであるPyTAGを紹介します。 TAGには、AIエージェントのための共通のAPIを備えた、20以上のモダンなテーブルトップゲームのセットが含まれている。 本稿では,これらのゲームにおけるrlエージェントのトレーニング手法と,ゲームサブセット上での近位ポリシー最適化アルゴリズムのトレーニング後のベースライン結果を紹介する。 最後に、PyTAGによるRL研究において、現代のテーブルトップゲームが提供するユニークな課題について論じる。

関連論文リスト

• Hokoff: Real Game Dataset from Honor of Kings and its Offline Reinforcement Learning Benchmarks [59.50879251101105]
  我々は、オフラインのRLとオフラインのMARLをカバーする、事前コンパイルされたデータセットの包括的なセットであるHokoffを提案する。 このデータは、Multiplayer Online Battle Arena(MOBA)ゲームとして認知されているHonor of Kingsに由来する。 また,ゲーム固有の階層的アクション空間に適した,新しいベースラインアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2024-08-20T05:38:50Z)
• Reinforcement Learning for High-Level Strategic Control in Tower Defense Games [47.618236610219554]
  戦略ゲームにおいて、ゲームデザインの最も重要な側面の1つは、プレイヤーにとっての挑戦の感覚を維持することである。 従来のスクリプティング手法と強化学習を組み合わせた自動手法を提案する。 その結果、強化学習のような学習アプローチとスクリプトAIを組み合わせることで、AIのみを使用するよりも高性能で堅牢なエージェントが生まれることが示された。
  論文  参考訳（メタデータ） (2024-06-12T08:06:31Z)
• PyTAG: Tabletop Games for Multi-Agent Reinforcement Learning [0.41942958779358663]
  PyTAGはTabletop Gamesフレームワークで実装されたゲーム集合とのインタラクションをサポートするフレームワークである。 ゲームプレイングエージェントの観点から、テーブルトップゲームが提供する課題と、それらが将来の研究にもたらす機会を強調します。
  論文  参考訳（メタデータ） (2024-05-28T12:30:28Z)
• DanZero+: Dominating the GuanDan Game through Reinforcement Learning [95.90682269990705]
  我々は、GuanDanという、非常に複雑で人気のあるカードゲームのためのAIプログラムを開発した。 私たちはまず、DanZeroという名のAIプログラムをこのゲームのために提案しました。 AIの能力をさらに強化するために、政策に基づく強化学習アルゴリズムをGuanDanに適用する。
  論文  参考訳（メタデータ） (2023-12-05T08:07:32Z)
• SPRING: Studying the Paper and Reasoning to Play Games [102.5587155284795]
  我々は,ゲーム本来の学術論文を読み取るための新しいアプローチ,SPRINGを提案し,大言語モデル(LLM)を通してゲームの説明とプレイの知識を利用する。 実験では,クラフトオープンワールド環境の設定下で,異なる形態のプロンプトによって引き起こされる文脈内「推論」の品質について検討した。 我々の実験は、LLMが一貫したチェーン・オブ・シークレットによって誘導されると、洗練された高レベル軌道の完成に大きな可能性があることを示唆している。
  論文  参考訳（メタデータ） (2023-05-24T18:14:35Z)
• Final Adaptation Reinforcement Learning for N-Player Games [0.0]
  本稿では,n-tuple-based reinforcement learning (RL)アルゴリズムについて述べる。 本稿では,TD-,SARSA-およびQ-ラーニングのための新しいアルゴリズムを提案する。 これらのアルゴリズムにFinal Adaptation RL(FARL)と呼ばれる新しい要素を追加します。
  論文  参考訳（メタデータ） (2021-11-29T08:36:39Z)
• DeepCrawl: Deep Reinforcement Learning for Turn-based Strategy Games [137.86426963572214]
  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。
  論文  参考訳（メタデータ） (2020-12-03T13:53:29Z)
• 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)
• Design and Implementation of TAG: A Tabletop Games Framework [59.60094442546867]
  本書では,Tabletop Gamesフレームワーク(TAG)の設計と実装について述べる。 TAGは、AI研究のためのモダンなボードゲームを開発するためのJavaベースのベンチマークである。
  論文  参考訳（メタデータ） (2020-09-25T07:27:30Z)
• Learning to Play No-Press Diplomacy with Best Response Policy Iteration [31.367850729299665]
  7人プレイのボードゲームであるDiplomacyに深層強化学習手法を適用した。 我々は, エージェントが従来の状態を確実に上回り, ゲーム理論平衡解析により, 新しいプロセスが一貫した改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-06-08T14:33:31Z)

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。