論文の概要: Curiosity Driven Multi-agent Reinforcement Learning for 3D Game Testing

• arxiv url: http://arxiv.org/abs/2502.14606v1
• Date: Thu, 20 Feb 2025 14:43:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-21 14:28:55.923289
• Title: Curiosity Driven Multi-agent Reinforcement Learning for 3D Game Testing
• Title（参考訳）: 3次元ゲームテストのための好奇心駆動型マルチエージェント強化学習
• Authors: Raihana Ferdous, Fitsum Kifetew, Davide Prandi, Angelo Susi,
• Abstract要約: cMarlTestは好奇心駆動型マルチエージェント強化学習(MARL)による3Dゲームテストのためのアプローチ 我々は,cMarlTestの性能を1つのエージェントRL変種と比較する3Dゲームの異なるレベルについて実験を行った。
• 参考スコア（独自算出の注目度）: 1.2233362977312945
• License:
• Abstract: Recently testing of games via autonomous agents has shown great promise in tackling challenges faced by the game industry, which mainly relied on either manual testing or record/replay. In particular Reinforcement Learning (RL) solutions have shown potential by learning directly from playing the game without the need for human intervention. In this paper, we present cMarlTest, an approach for testing 3D games through curiosity driven Multi-Agent Reinforcement Learning (MARL). cMarlTest deploys multiple agents that work collaboratively to achieve the testing objective. The use of multiple agents helps resolve issues faced by a single agent approach. We carried out experiments on different levels of a 3D game comparing the performance of cMarlTest with a single agent RL variant. Results are promising where, considering three different types of coverage criteria, cMarlTest achieved higher coverage. cMarlTest was also more efficient in terms of the time taken, with respect to the single agent based variant.
• Abstract（参考訳）: 近年、自律エージェントによるゲームテストは、主に手動テストや記録/再生に依存するゲーム産業が直面する課題に対処する上で大きな可能性を示している。 特に、強化学習(RL)ソリューションは、人間の介入を必要とせず、直接ゲームから学習することでポテンシャルを示してきた。 本稿では,好奇心駆動型マルチエージェント強化学習(MARL)による3Dゲームのテスト手法であるcMarlTestを提案する。 cMarlTestは、テスト目的を達成するために協力して動作する複数のエージェントをデプロイする。 複数のエージェントの使用は、単一のエージェントアプローチが直面する問題を解決するのに役立つ。 我々は,cMarlTestの性能を1つのエージェントRL変種と比較する3Dゲームの異なるレベルについて実験を行った。 3種類のカバレッジ基準を考慮すると、cMarlTestはより高いカバレッジを達成した。 cMarlTestは、単一のエージェントベースの変種に関して、より効率的な時間を要した。

関連論文リスト

• Triangulating LLM Progress through Benchmarks, Games, and Cognitive Tests [89.09172401497213]
  本稿では,大規模質問応答ベンチマーク,インタラクティブゲーム,認知テストの3つの評価パラダイムについて検討する。 効果的な言語使用に不可欠な認知能力を測定するための,対象とするテストスイートをコンパイルする。 分析の結果,対話型ゲームは判別モデルにおける標準ベンチマークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-02-20T08:36:58Z)
• Cooperative Multi-agent Approach for Automated Computer Game Testing [1.4931265249949526]
  近年、多くのゲームがマルチプレイヤーであり、このようなゲームをテストするために複数の協調テストエージェントをデプロイする興味深い可能性を秘めている。 本稿では,ラボ・リクルート(Lab Recruits)と呼ばれる3Dゲームにおけるケーススタディに基づく,協調型マルチエージェント・テスト手法とその性能に関する研究について述べる。
  論文  参考訳（メタデータ） (2024-05-18T17:31:26Z)
• MLAgentBench: Evaluating Language Agents on Machine Learning Experimentation [96.71370747681078]
  我々は,CIFAR-10におけるモデル性能の改善から,BabyLMのような最近の研究課題まで,13のタスクからなるMLAgentBenchを紹介した。 各タスクに対して、エージェントはファイルの読み書き、コードの実行、出力の検査などのアクションを実行することができる。 我々は、Claude v1.0、Claude v2.1、Claude v3 Opus、GPT-4、GPT-4-turbo、Gemini-Pro、Mixtralに基づいてベンチマークエージェントをベンチマークし、Claude v3 Opusエージェントが成功率の点で最高であることを示す。
  論文  参考訳（メタデータ） (2023-10-05T04:06:12Z)
• Preference-conditioned Pixel-based AI Agent For Game Testing [1.5059676044537105]
  環境とのインタラクションによって学習するゲームテストAIエージェントは、これらの課題を軽減する可能性がある。 本稿では,ユーザの好みに応じて設定された環境を探索しながら,主に画素ベースの状態観測に依存するエージェント設計を提案する。 実AAAゲームにおける多くの側面に類似した複雑なオープンワールド環境において、調査対象とテスト実行品質に対して、我々のエージェントは、最先端の画素ベースのゲームテストエージェントよりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-08-18T04:19:36Z)
• Centralized control for multi-agent RL in a complex Real-Time-Strategy game [0.0]
  マルチエージェント強化学習(MARL)は、共有環境で共存する複数の学習エージェントの行動を研究する。 MARLはシングルエージェントRLよりも難しい。 このプロジェクトは、Lux AI v2 KaggleコンペティションにRLを適用したエンドツーエンドエクスペリエンスを提供する。
  論文  参考訳（メタデータ） (2023-04-25T17:19:05Z)
• UKP-SQuARE v3: A Platform for Multi-Agent QA Research [48.92308487624824]
  我々は、質問回答(QA)研究のためのオンラインプラットフォームであるUKP-SQuAREを拡張し、マルチエージェントシステムの3つのファミリーをサポートする。 推論速度の評価実験を行い、マルチデータセットモデルと比較して性能と速度のトレードオフについて議論する。
  論文  参考訳（メタデータ） (2023-03-31T15:07:36Z)
• Off-Beat Multi-Agent Reinforcement Learning [62.833358249873704]
  オフビート動作が一般的環境におけるモデルフリーマルチエージェント強化学習(MARL)について検討した。 モデルレスMARLアルゴリズムのための新しいエピソードメモリLeGEMを提案する。 我々は,Stag-Hunter Game,Quarry Game,Afforestation Game,StarCraft IIマイクロマネジメントタスクなど,オフビートアクションを伴うさまざまなマルチエージェントシナリオ上でLeGEMを評価する。
  論文  参考訳（メタデータ） (2022-05-27T02:21:04Z)
• TiKick: Toward Playing Multi-agent Football Full Games from Single-agent Demonstrations [31.596018856092513]
  Tikickは、マルチエージェントのGoogle Research Footballのフルゲームを引き継ぐことができる、学習ベースのAIシステムである。 私たちの知る限りでは、Tikickは、マルチエージェントのGoogle Research Footballのフルゲームを引き継ぐことができる、初めての学習ベースのAIシステムだ。
  論文  参考訳（メタデータ） (2021-10-09T08:34:58Z)
• Scalable Evaluation of Multi-Agent Reinforcement Learning with Melting Pot [71.28884625011987]
  Melting PotはMARL評価スイートで、強化学習を使用して、新しいテストシナリオを作成するのに必要な人的労力を削減する。 幅広い研究トピックをカバーする80以上のユニークなテストシナリオを作成しました。 これらのテストシナリオを標準的なMARLトレーニングアルゴリズムに適用し、Melting Potがトレーニングのパフォーマンスだけでは明らかでない弱点をいかに明らかにするかを実証する。
  論文  参考訳（メタデータ） (2021-07-14T17:22:14Z)
• Augmenting Automated Game Testing with Deep Reinforcement Learning [0.4129225533930966]
  一般的なゲームテストは、人間プレイテスターの使用、テストスクリプティングのプレイ、関連するテストデータを生成するための関心領域の事前知識に依存している。 深層強化学習(DRL)を用いたゲームテストフレームワークに自己学習メカニズムを導入する。 DRLは、テストカバレッジの向上、エクスプロイトの発見、マップの難しさ、ファーストパーソンシューティングゲーム(FPS)のテストで発生する一般的な問題の検出に使用できる。
  論文  参考訳（メタデータ） (2021-03-29T11:55:15Z)
• Multi-Agent Collaboration via Reward Attribution Decomposition [75.36911959491228]
  本稿では,StarCraftのマルチエージェントチャレンジにおいて,最先端のパフォーマンスを実現するコラボレーション型Q-ラーニング(CollaQ)を提案する。 CollaQは様々なStarCraft属性マップで評価され、既存の最先端技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-16T17:42:11Z)

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。