2017 AIBIRDS 竞赛
该研究提出了一种适应性水平生成算法,用于 Angry Birds 物理解谜游戏。该算法基于先前的水平生成器,但难度可以根据玩家的表现进行调整,从而创造特定于玩家自身能力的个性化水平。我们使用多个具有不同策略和 AI 技术的智能体来评估所提出的方法的有效性,并将它们作为真实玩家特征的模型 / 代表,以便在大量生成中高效地优化水平属性。作为次要研究,我们还证明了通过将多个智能体的表现结合起来,可以生成对某些玩家特别具有挑战性但对其他玩家不具有挑战性的水平。
Feb, 2019
本文研究了如何使用领域无关的规划器和组合搜索来玩《愤怒的小鸟》,使用了 PDDL + 进行了建模,并提出了多个领域特定的增强措施,包括启发式和类似首选操作员的搜索技术,研究对比表明我们的方法在大多数水平上与定制的特定领域解算器的表现相当,即使不使用领域特定的搜索增强措施。
Mar, 2023
该论文总结了在 IEEE 计算智能游戏会议上举办的三届竞赛,包括竞赛框架,竞争者以及在 20 个游戏中的改进评估结果。该竞赛填补了现有游戏人工智能竞赛的空白并为自然语言理解和生成提供了独特的挑战。
Aug, 2018
机器学习系统如何理解和推断环境中其他代理的目标、偏好和行动,是实现人类常识的关键。虽然基于深度学习的代理推理模型日益成熟,但在类似人类婴儿的推理上,仍有待突破。Baby Intuitions Benchmark (BIB) 作为发展性认知科学的研究成果,挑战机器的类人类推理能力,可用于与人类推理能力的直接比较。
Feb, 2021
本文介绍了第一届 ChatGPT4PCG 竞赛,在 2023 年 IEEE 游戏会议上举行。该竞赛的目标是参赛者通过创造有效的提示,让 ChatGPT 生成稳定而具有人物特质的《科学鸟》水平 —— 充分利用他们的创造力和提示工程技能。
Mar, 2023
本文介绍了 Keke AI 比赛的人工智能竞赛,旨在解决 Baba is You 这个类似推箱子的游戏中动态规则的机制和确定性方面带来的 AI 挑战,同时包括评估指标以及树搜索智能体的基线结果。
Sep, 2022
应对训练和部署条件的差异(例如分布偏移或对全新类别的泛化)对于机器学习模型在实际应用中至关重要。本研究提出了一个复杂的基准测试集 BIRB,以检索从大型公众科学语料库中经过被动记录的数据集中的鸟类声音。通过使用表示学习和最近质心搜索的基线系统,我们的实证评估和分析展示了开放性的研究方向,同时也建议 BIRB 作为更真实、更复杂的基准测试集,来推动对于分布偏移鲁棒性和机器学习模型泛化的进展。
Dec, 2023
该论文介绍了 2016 年和 2017 年的 Visual Doom AI Competition,这是第一个在第一人称射击游戏中使用视觉信息进行多人死亡竞赛的挑战。文章讨论了比赛规则,解决方案,结果和统计数据,给出了代理行为的深入理解,最终表明,尽管强化学习能够生成具有能力的 “毁灭之日” 机器人,但它们仍无法成功地在此游戏中与人类竞争。此外,本文还重新审视了 ViZDoom 环境,这是一个灵活,易于使用且高效的 3D 平台,专门用于基于视觉的强化学习研究,基于知名的第一人称透视视角游戏 Doom。
Sep, 2018
本研究提出了一种基于自然语言描述任务的方法框架来解决人工智能中的 Abstraction and Reasoning Corpus (ARC) 问题,虽然尚未击败当前最先进的 DSL 模型,但我们证明了我们的方法具有巨大的潜力,可以解决以前不能解决的任务。
Mar, 2023
本研究提出了一个基于 Theory of Mind 的通用框架,允许智能体使用多个模拟来推导和行动,以通过模拟决策过程解决在 IJCAI2013 AIBirds 竞赛中的流行游戏。
May, 2014