論文の概要: Training a Conditioned Video Game Agent on a VLM Annotated Dataset

• arxiv url: http://arxiv.org/abs/2608.05954v1
• Date: Thu, 06 Aug 2026 12:25:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.752003
• Title: Training a Conditioned Video Game Agent on a VLM Annotated Dataset
• Title（参考訳）: VLMアノテートデータセットを用いた条件付きビデオゲームエージェントの訓練
• Abstract要約: 強化学習(英語: Reinforcement Learning, RL)は、政策学習において、使いやすくない強力な手法である。 オフラインのRLを使用して条件付きエージェントをトレーニングし、所望の戻り値に応じて応答することを示す。
• 参考スコア（独自算出の注目度）: 3.102704962960118
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reinforcement Learning (RL) is a powerful but far from easy-to-use technique for policy learning. In the specific case of video games, access to the game engine is required to get rewards for training (e.g. to collect rewards from the environment). Furthermore, the proper identification and weighting of the rewards generally requires a difficult trial-and-error approach. Lastly, rewards are often sparse and understanding how they eventually affect the learned policy is a non-trivial exercise. To ease these issues we propose annotating a video game dataset with Vision Language Models (VLMs) instructed to extract human defined rewards. We show that offline RL can then be used to train a conditioned agent that responds accordingly to the desired returns and we discuss the difficulties and limitations that emerged in our early experiments.
• Abstract（参考訳）: 強化学習(英語: Reinforcement Learning, RL)は、政策学習において、使いやすくない強力な手法である。 ビデオゲームの特定の場合、トレーニングの報酬を得るためには、ゲームエンジンへのアクセスが要求される(例えば、環境から報酬を集める)。 さらに、報酬の適切な識別と重み付けは、一般的に難しい試行錯誤アプローチを必要とする。 最後に、報酬はスパースであり、彼らが最終的に学習方針にどう影響するかを理解することは、決して簡単なことではない。 これらの問題を緩和するために、人間の定義した報酬を抽出するように指示されたビジョン言語モデル(VLM)を用いたビデオゲームデータセットの注釈付けを提案する。 オフライン RL を用いて条件付きエージェントを訓練し、所望のリターンに応じて応答し、初期実験で発生する困難さと限界について議論する。

関連論文リスト

• VLMs for Videogame Data Annotation [3.102704962960118]
  VLM(Vision Language Models)とAI(Artificial Intelligence)エージェントは、エンジニアが現実世界のアプリケーションで複雑な問題にどのようにアプローチするかに革命をもたらしたことを示す。 ビデオゲームにおける彼らの採用は、合成シナリオの極端な多様性と現実世界の物理へのコンプライアンスの欠如によって制限されている。
  論文  参考訳（メタデータ） (2026-08-06T12:20:53Z)
• Game-RL: Synthesizing Multimodal Verifiable Game Data to Boost VLMs' General Reasoning [89.93384726755106]
  視覚言語強化学習(RL)は主に狭い領域に焦点を当てている。 ビデオゲームは本質的に、検証が容易なリッチなビジュアル要素とメカニクスを提供します。 ビデオゲームにおけるマルチモーダルかつ検証可能な報酬を完全に活用するために,Game-RLを提案する。
  論文  参考訳（メタデータ） (2025-05-20T03:47:44Z)
• ViVa: Video-Trained Value Functions for Guiding Online RL from Diverse Data [56.217490064597506]
  広範に利用可能なビデオデータから学習することで、RLを自動的に誘導するデータ駆動手法を提案し、分析する。 インテント条件付き値関数を使用して、多様なビデオから学び、これらのゴール条件付き値を報酬に組み込む。 実験により、ビデオ学習値関数は、様々なデータソースとうまく機能し、人間のビデオ事前学習からのポジティブな転送を示し、目に見えない目標に一般化し、データセットサイズでスケールできることが示されている。
  論文  参考訳（メタデータ） (2025-03-23T21:24:33Z)
• 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)
• Video Prediction Models as Rewards for Reinforcement Learning [127.53893027811027]
  VIPERは、事前訓練されたビデオ予測モデルを、強化学習のためのアクションフリー報酬信号として活用するアルゴリズムである。 当社の作業は、ラベルなしビデオからのスケーラブルな報酬仕様の出発点だと考えています。
  論文  参考訳（メタデータ） (2023-05-23T17:59:33Z)
• Learning to Play Text-based Adventure Games with Maximum Entropy Reinforcement Learning [4.698846136465861]
  我々はテキストベースの環境にソフト・アクター・クリティック(SAC)アルゴリズムを適用する。 報酬形成技術は、エージェントがポリシーをより早く学習し、より高いスコアを得るのに役立つことを示す。
  論文  参考訳（メタデータ） (2023-02-21T15:16:12Z)
• Semi-supervised reward learning for offline reinforcement learning [71.6909757718301]
  トレーニングエージェントは通常、報酬機能が必要ですが、報酬は実際にはほとんど利用できず、エンジニアリングは困難で手間がかかります。 限定されたアノテーションから学習し,ラベルなしデータを含む半教師付き学習アルゴリズムを提案する。 シミュレーションロボットアームを用いた実験では,動作のクローン化が大幅に向上し,真理の報奨によって達成される性能に近づいた。
  論文  参考訳（メタデータ） (2020-12-12T20:06:15Z)
• Reinforcement Learning with Videos: Combining Offline Observations with Interaction [151.73346150068866]
  強化学習は、ロボットが経験からスキルを得るための強力なフレームワークである。 人間のビデオは、広くて興味深い体験のソースとしてすぐに手に入る。 ビデオによる強化学習のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-12T17:15:48Z)
• Action Guidance: Getting the Best of Sparse Rewards and Shaped Rewards for Real-time Strategy Games [0.0]
  報酬の少ないゲームで強化学習を使用するトレーニングエージェントは難しい問題である。 エージェントを訓練して,ゲームにおける真の目的を軽率な報酬で最終的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2020-10-05T03:43:06Z)

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。