論文の概要: A Comprehensive Review of Multi-Agent Reinforcement Learning in Video Games

• arxiv url: http://arxiv.org/abs/2509.03682v1
• Date: Wed, 03 Sep 2025 20:05:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-05 20:21:09.960624
• Title: A Comprehensive Review of Multi-Agent Reinforcement Learning in Video Games
• Title（参考訳）: ビデオゲームにおけるマルチエージェント強化学習の概観
• Authors: Zhengyang Li, Qijin Ji, Xinghong Ling, Quan Liu,
• Abstract要約: マルチエージェント強化学習(MARL)の最近の進歩は、現代のゲームにおいてその可能性を示している。 MARLは、セルフプレイ、教師付き学習、深層強化学習といった技術を通じて、様々なゲーム環境における超人的なパフォーマンスを達成することができることが証明されている。 本稿では、ゲームAIシステムにおけるMARLの洞察を提供し、ゲーム複雑性を推定する新しい手法を提案し、ゲーム開発におけるMARLの進歩とその応用に向けた今後の研究方向性を提案する。
• 参考スコア（独自算出の注目度）: 9.115787425836576
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advancements in multi-agent reinforcement learning (MARL) have demonstrated its application potential in modern games. Beginning with foundational work and progressing to landmark achievements such as AlphaStar in StarCraft II and OpenAI Five in Dota 2, MARL has proven capable of achieving superhuman performance across diverse game environments through techniques like self-play, supervised learning, and deep reinforcement learning. With its growing impact, a comprehensive review has become increasingly important in this field. This paper aims to provide a thorough examination of MARL's application from turn-based two-agent games to real-time multi-agent video games including popular genres such as Sports games, First-Person Shooter (FPS) games, Real-Time Strategy (RTS) games and Multiplayer Online Battle Arena (MOBA) games. We further analyze critical challenges posed by MARL in video games, including nonstationary, partial observability, sparse rewards, team coordination, and scalability, and highlight successful implementations in games like Rocket League, Minecraft, Quake III Arena, StarCraft II, Dota 2, Honor of Kings, etc. This paper offers insights into MARL in video game AI systems, proposes a novel method to estimate game complexity, and suggests future research directions to advance MARL and its applications in game development, inspiring further innovation in this rapidly evolving field.
• Abstract（参考訳）: マルチエージェント強化学習(MARL)の最近の進歩は、現代のゲームにおいてその可能性を示している。 基礎的な作業から始まり、StarCraft IIのAlphaStarやDota 2のOpenAI Fiveのような目覚ましい成果に到達し、MARLは、セルフプレイや教師あり学習、深層強化学習といった技術を通じて、様々なゲーム環境における超人的なパフォーマンスを達成することができることを証明した。 影響が拡大するにつれ、この分野では包括的なレビューがますます重要になっている。 本稿では,スポーツゲーム,ファーストパーソンシューター(FPS)ゲーム,リアルタイム戦略(RTS)ゲーム,マルチプレイヤーオンラインバトルアリーナ(MOBA)ゲームなどの人気ジャンルを含む,ターンベースの2エージェントゲームからリアルタイム多エージェントゲームへのMARLの適用について,徹底的に検討することを目的とする。 さらに、非定常、部分観測可能性、スパース報酬、チームのコーディネーション、スケーラビリティなど、ビデオゲームにおけるMARLがもたらす重要な課題を分析し、Rocket League、Minecraft、Quake III Arena、StarCraft II、Dota 2、Honor of Kingsなどのゲームで成功した実装を強調します。 本稿では,ゲームAIシステムにおけるMARLの洞察を提供し,ゲーム複雑性を推定する新たな手法を提案し,ゲーム開発におけるMARLとその応用に向けた今後の研究方向を提案する。

関連論文リスト

• AVA: Attentive VLM Agent for Mastering StarCraft II [56.07921367623274]
  Intentive VLM Agent (AVA) は、人工エージェントの認識と人間のゲームプレイ体験を一致させるマルチモーダルのStarCraft IIエージェントである。 我々のエージェントは、ゲームプレイ中に人間の認知過程をより密にシミュレートするRGB視覚入力と自然言語観察を組み込むことにより、この制限に対処する。
  論文  参考訳（メタデータ） (2025-03-07T12:54:25Z)
• FightLadder: A Benchmark for Competitive Multi-Agent Reinforcement Learning [25.857375787748715]
  我々は、リアルタイムの格闘ゲームプラットフォームであるFightLadderを紹介し、競争力のあるMARL研究を促進する。 競争ゲームのための最先端のMARLアルゴリズムの実装と評価指標のセットを提供する。 シングルプレイヤーモードで12文字を連続的に打ち破る汎用エージェントを訓練することにより,このプラットフォームの実現可能性を示す。
  論文  参考訳（メタデータ） (2024-06-04T08:04:23Z)
• A Survey on Large Language Model-Based Game Agents [9.140712714337273]
  ゲームエージェントの開発は、人工知能に向けた重要な役割を担っている。 LLM(Large Language Models)の進歩は、ゲームエージェントを進化させ、強化する前例のない機会を提供する。 本稿では, LLMをベースとしたゲームエージェントについて, 総合的な視点から概観する。
  論文  参考訳（メタデータ） (2024-04-02T15:34:18Z)
• Technical Challenges of Deploying Reinforcement Learning Agents for Game Testing in AAA Games [58.720142291102135]
  本稿では,既存の自動ゲームテストソリューションに,スクリプト型ボットをベースとして,実験的な強化学習システムを追加する取り組みについて述べる。 ゲーム制作において強化学習を活用するためのユースケースを示し、ゲームのために同じ旅をしたいと思う人なら誰でも遭遇する最大の時間をカバーしています。 我々は、機械学習、特にゲーム生産において効果的なツールである強化学習を作るのに価値があり、必要であると考えるいくつかの研究指針を提案する。
  論文  参考訳（メタデータ） (2023-07-19T18:19:23Z)
• 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)
• Game-Theoretic Multiagent Reinforcement Learning [73.76806922670379]
  マルチエージェント強化学習(MARL)は、複数のエージェントが同時に学習するマルチエージェントシステムにおける学習問題に対応する。 MARLにおける大きな成功にもかかわらず、現代のMARL手法のゲーム理論の基礎をカバーする、自己完結した文献の概要が欠如している。 この研究は、ゲーム理論の観点から、現在最先端のMARL技術について自己完結した評価を提供する。
  論文  参考訳（メタデータ） (2020-11-01T18:24:40Z)
• Neural MMO v1.3: A Massively Multiagent Game Environment for Training and Evaluating Neural Networks [48.5733173329785]
  本稿では,MMOにインスパイアされたマルチエージェントゲーム環境であるNeural MMOを紹介する。 分散インフラストラクチャとゲームIOという,AI研究のためのマルチエージェントシステムエンジニアリングにおける,より一般的な2つの課題について論じる。
  論文  参考訳（メタデータ） (2020-01-31T18:50:02Z)

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。