論文の概要: Augmenting Game AI with Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2606.20210v1
• Date: Thu, 18 Jun 2026 13:23:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.875998
• Title: Augmenting Game AI with Deep Reinforcement Learning
• Title（参考訳）: 深層強化学習によるゲームAIの強化
• Authors: Alessandro Sestini, Joakim Bergdahl, Amir Baghi, Jean-Philippe Barrette-LaPierre, Florian Fuchs, Linus Gisslén,
• Abstract要約: ゲームAIにおける強化学習のさらなる応用を期待する。 本稿では、強化学習強化型ゲームAIを用いたゲームの事例と、現代のゲームにプレイヤー対応機械学習エージェントを配置する実用性について述べる。
• 参考スコア（独自算出の注目度）: 36.25902064220114
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Immersion in video games depends not only on graphics, audio, and game mechanics, but also on the quality of in-game characters. Producing believable characters, or game AI, remains a significant challenge as behavioral complexity is hard to capture with hand-coded systems. Game AI is a source of immersion and engagement; however, the limitations stemming from the challenges of creating game AI often lead to frustration and the breaking of the illusion of realism within the game. The introduction of machine learning models opens the door to creating more believable, authentic, and relatable characters in games. The promise is that they either learn from interacting with the game, or from player data, to develop true human-like behavior. In this paper, we envision more applications of reinforcement learning for game AI in the future. For this to materialize, current research limitations are prohibitive to broad deployment across game genres. Therefore, we propose a framework for training reinforcement learning models with a set of requirements in mind that are suited towards game AI and game development. We present examples of games with reinforcement learning-augmented game AI and describe the practicalities of deploying player-facing machine learning agents in modern games. Furthermore, we identify bottlenecks and hard problems in these areas, which we believe offer promising research directions to accelerate the adoption of machine learning in game AI for the video game industry.
• Abstract（参考訳）: ビデオゲームにおける没入は、グラフィックス、オーディオ、ゲーム力学だけでなく、ゲーム内のキャラクターの質にも依存する。 手書きのシステムでは、振る舞いの複雑さを捉えるのが難しいため、信じられないキャラクターやゲームAIを生み出すことは依然として大きな課題です。 ゲームAIは没入とエンゲージメントの源であるが、ゲームAIを作成する際の課題から生じる制限は、しばしばゲーム内の現実主義の錯覚の破滅とフラストレーションにつながる。 機械学習モデルの導入は、ゲームにおいてより信頼でき、真正で、関連性の高いキャラクターを生み出すための扉を開く。 約束は、ゲームと対話することから学ぶか、またはプレイヤーデータから学ぶか、真の人間のような振る舞いを発達させることである。 本稿では,ゲームAIにおける強化学習のさらなる応用を想定する。 これを実現するために、現在の研究の制限は、ゲームジャンルにまたがる広範な展開を禁止している。 そこで本稿では,ゲームAIやゲーム開発に適した要件セットを念頭に,強化学習モデルをトレーニングするためのフレームワークを提案する。 本稿では、強化学習強化型ゲームAIを用いたゲームの例を示し、現代のゲームにプレイヤー対応機械学習エージェントを配置する実用性について述べる。 さらに、これらの領域におけるボトルネックと難題を特定し、ビデオゲーム産業におけるゲームAIにおける機械学習の採用を加速するための、有望な研究方向を提供すると信じている。

関連論文リスト

• AI Gamestore: Scalable, Open-Ended Evaluation of Machine General Intelligence with Human Games [63.29377274531968]
  我々はAI GameStoreを紹介した。これはスケーラブルでオープンなプラットフォームで、新しい代表的人間のゲームを合成する。 Apple App StoreとSteamのトップチャートに基づいて100のゲームを生成し、短いプレイで7つのフロンティアビジョン言語モデル(VLM)を評価します。 最高のモデルは、ほとんどのゲームで人間の平均スコアの10%未満を達成し、特に世界モデルの学習、記憶、計画に挑戦するゲームに苦戦した。
  論文  参考訳（メタデータ） (2026-02-19T18:17:25Z)
• The Many Challenges of Human-Like Agents in Virtual Game Environments [1.1586742546971471]
  この記事では、ゲームで人間のようなAIを実装する上で最も重要な課題について調査する。 独自のディープリカレント畳み込みニューラルネットワークを用いた機械学習手法を提案する。 特定のゲームのために人間のようなAIを作るのが難しいほど、AI駆動のプレイヤーと人間を区別する手法を開発するのが簡単になる、という仮説を立てる。
  論文  参考訳（メタデータ） (2025-05-26T14:00:39Z)
• Human-like Bots for Tactical Shooters Using Compute-Efficient Sensors [13.743654443419384]
  本稿では、複雑な商用標準の2v2戦術シューティングゲームで遊ぶために、模倣学習を用いてニューラルネットワークを訓練するための新しい手法を提案する。 提案手法は, 空間情報を効率よく取得する小型のレイキャストセンサを用いて, 画期的, 画期的, 画期的, 画期的な知覚アーキテクチャを利用する。 人間の評価テストは、AIエージェントが人間のようなゲームプレイ体験を提供しながら、計算制約下で効率的に操作できることを確認します。
  論文  参考訳（メタデータ） (2024-12-30T12:06:37Z)
• 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)
• 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)
• Promptable Game Models: Text-Guided Game Simulation via Masked Diffusion Models [68.85478477006178]
  ニューラルビデオゲームシミュレータのためのPGM(Promptable Game Model)を提案する。 ユーザーは高レベルのアクションシーケンスと低レベルのアクションシーケンスでゲームを実行することができる。 私たちのPGMは、エージェントの目標をプロンプトの形で指定することで、ディレクターのモードをアンロックします。 提案手法は,既存のニューラルビデオゲームシミュレータのレンダリング品質を著しく上回り,現在の最先端の能力を超えたアプリケーションをアンロックする。
  論文  参考訳（メタデータ） (2023-03-23T17:43:17Z)
• From Chess and Atari to StarCraft and Beyond: How Game AI is Driving the World of AI [10.80914659291096]
  Game AIは、最も先進的なAIアルゴリズムを開発し、テストするための研究分野として、自らを確立した。 Game AIの進歩は、ロボティクスや化学物質の合成など、ゲーム以外の領域にも拡張され始めている。
  論文  参考訳（メタデータ） (2020-02-24T18:28:54Z)

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。