Nov, 2016

TorchCraft：用于机器学习实时策略游戏研究的库

PDF
TL;DR本论文介绍了 TorchCraft 库，该库可以使深度学习研究在 Real-Time Strategy (RTS) 游戏中起到更大的作用，并将 RTS 游戏作为人工智能研究的基准进行了论证，同时还描述了 TorchCraft 的设计和组成部分。
torchcraftdeep learningreal-time strategy gamesbenchmarkai research
发现论文，激发创造
  • 使用深度学习从 StarCraft 回放中学习宏观管理

    本文介绍了如何使用深度学习从游戏回放数据中学习 StarCraft 中的宏观管理决策，并在开源的 StarCraft 机器人 UAlbertaBot 中实现，取得了比游戏内置 bot 更好的表现。该方法能够表达各种不同的策略，并且可以进一步通过深度强化学习提高表现，最终实现不再依赖硬编码策略的强大 StarCraft bot。

    Jul, 2017

  • 利用深度强化学习进行星际争霸宏观动作选择

    本研究采用基于深度强化学习的方法构建了一款名为 LastOrder 的机器人，旨在提高 StarCraft 游戏中宏观行动的选择。实验表明，LastOrder 在 AIIDE'17 StarCraft AI 比赛中排名前列，证明了该方法的有效性。

    Dec, 2018

  • TorchRL：一个基于 PyTorch 的数据驱动决策库

    介绍了 TorchRL，一个通用控制库，用于处理决策和控制任务，支持 Reinforcement Learning，基于 PyTorch 设计，提供完善的集成组件和独立组件的平衡。

    Jun, 2023

  • 使用强化学习和课程迁移学习进行星际争霸微观管理

    本文提出了一种强化学习和课程迁移学习方法，用于在 StarCraft 的微观管理中控制多个单位。通过定义高效的状态表示，并采用参数共享多智能体梯度下降 Sarsa 算法，使用神经网络作为函数逼近器来评估动作价值函数，建立奖励函数，使用迁移学习方法将模型推广到更具挑战性的情境，并鼓励协作行为，成功地在小规模情境中将内置 AI 击败。在大规模情境中，使用课程迁移学习方法逐步训练一组单位，并在目标情境中显示出优越的性能。

    Apr, 2018

  • TStarBots: 在 StarCraft II 全游戏中击败作弊级内置 AI

    本文中，我们提出了两种基于深度强化学习框架和分层动作空间的 AI 智能体 TStarBot1 和 TStarBot2，并评估它们在星际争霸 II 全场游戏中的表现，成功地战胜了从 1 至 10 级内置 AI 对手，标志着深度强化学习在星际争霸 II AI 研究领域取得了重要进展。

    Sep, 2018

  • TStarBot-X：StarCraft II 完整游戏中高效联赛训练的开源综合研究

    本研究基于 AlphaStar 的技术，利用多项创新性技术，如新型联赛训练方法、配合规则的策略搜索、稳定的策略改进、轻量级神经网络架构、模仿学习中的重要性采样等，开发出一款名为 TStarBot-X 的 AI 代理程序，在计算能力有限制条件下可以与人类玩家进行竞争，研究结果对于如 StarCraft 这类复杂问题的学术和工业研究可能具有重要意义。

    Nov, 2020

  • 大型语言模型在星际争霸 II 中测试和一种摘要方法的链式

    通过开发文本化的 StratCraft II 环境，利用大型语言模型代理实现游戏性能评估，研究表明大型语言模型代理在应对 StarCraft II 场景中具备相关知识和复杂规划能力，性能接近于玩了八年 StarCraft II 的普通玩家，并能够击败 Harder (Lv5) 的内置 AI。

    Dec, 2023

  • ELF：即时策略游戏的扩展、轻量和灵活研究平台

    本文提出了一个名为 ELF 的平台，用于强化学习领域的研究。通过实验，我们展示了在该平台上进行的训练参数在 Mini-RTS 等三个实时策略游戏中的强大性能。而该平台在游戏环境和强化学习算法上的灵活性，也显示出了其可扩展性。

    Jul, 2017

  • SCC：高效深度强化学习游戏代理掌握星际争霸 II

    本文介绍了基于深度强化学习的智能体 StarCraft Commander (SCC)，通过优化效率和以少量复杂度达到媲美 GM 级水平及击败职业玩家的成果，为进一步在复杂即时策略游戏方向探究提供了可能与展望。该成果对应用深度学习模型进行模仿学习和强化学习进行了关键分析和优化。

    Dec, 2020

  • 多智能体 MOBA 游戏的分层强化学习

    本文提出了一种新颖的分层强化学习模型，通过模仿学习从事宏观策略，并通过强化学习进行微观操作，以应对多人在线战斗竞技游戏 (MOBA) 中包含的大量状态空间、动作空间和隐藏信息，并且该模型在缺乏游戏引擎或 API 的情况下，还设计了一种密集的奖励函数来鼓励多个智能体合作。实验结果表明该方法能够在 MOBA 游戏中获得优异表现，如在王者荣耀 5v5 模式中成功与内置 AI 进行战斗且胜率达到 100%。

    Jan, 2019