Nov, 2020

Griddly：面向游戏 AI 研究的平台

PDF
TL;DR本文介绍了 Griddly—— 一种游戏人工智能研究平台，它不仅提供高度配置的游戏环境和不同的观察者类型，还有高效的 C++ 核心引擎。研究者在该平台上进行的基准实验有助于研究不同观察配置和强化学习智能体的泛化能力。
game ai researchreinforcement learninggriddlygeneralizationbaseline experiments
发现论文，激发创造
  • GriddlyJS: 一个强化学习的 Web 集成开发环境

    通过 GriddlyJS 的 Web 集成开发环境，研究人员可以设计、评估和记录训练代理模型的性能，并利用现代网络标准实现互动代理 - 环境演示，以直接复现实验结果，并快速开发具有挑战性的环境，例如复杂的组合解谜环境，为在线与离线的强化学习提供支持。

    Jul, 2022

  • GRID：通用机器人智能开发平台

    机器智能、机器人、自主系统是研究论文的主要关键词，并且通过引入新的平台，通过物理能力、环境约束和目标来解决人工智能在机器人中的问题。

    Oct, 2023

  • 基于游戏的人工智能研究平台

    本文回顾了基于游戏的平台在人工智能研究中的应用，讨论了这些平台的演化引起的研究趋势，并展望了未来的发展。

    Apr, 2023

  • 通用视频游戏 AI 的深度强化学习

    这篇论文介绍了如何将通用游戏人工智能（GVGAI）与 OpenAI Gym 环境相结合，用于测试并比较几种深度强化学习算法在各种 GVGAI 游戏上的表现，为评估游戏的相对难度提供了第一手数据。

    Jun, 2018

  • Scilab-RL：用于高效强化学习和认知建模研究的软件框架

    通过 Scilab-RL 软件框架，研究人员能够有效进行认知建模和强化学习方面的研究，特别注重基于目标的强化学习和实验可视化，最大限度地提高研究产出。

    Jan, 2024

  • CaiRL：高性能强化学习环境工具箱

    本论文提出了 CaiRL 环境工具包作为一种有效、兼容性良好、可持续性更高的训练学习代理的替代方法，并提出了更高效环境模拟的方法，以解决当前强化学习工具包效率低下的问题。

    Oct, 2022

  • Unity: 智能代理通用平台

    该论文提出了一个现有模拟平台的新分类法，并探讨了通用平台的最高级别类，这些平台可以开发具有丰富的可视化、物理、任务和社交复杂性的学习环境。作者认为，现代游戏引擎非常适合作为通用平台，并以 Unity 引擎和开放源代码 Unity ML-Agents Toolkit 为案例研究。接着，作者调查了 Unity 和 Unity ML-Agents Toolkit 所支持的研究，讨论了灵活、交互和易配置的通用平台可以促进哪些研究。

    Sep, 2018

  • 为自主网络代理开发网络 AI 健身房

    本文旨在通过应用增强学习和深度增强学习（RL/DRL）来使网络网络运营（CyOps）中的自主智能体成为可能，并且通过提出的一个名为 Cyber Gym for Intelligent Learning（CyGIL）的统一训练环境，尤其是最近发展出的一种在仿真环境下训练智能体的解决方案，该方案旨在在实际网络环境中实现从仿真到现实的自主智能体应用。

    Apr, 2023

  • Arcade Learning Environment：通用智能体评估平台

    该论文介绍了 Arcade Learning Environment（ALE），这是一个既是挑战问题又是平台和方法论，用于评估通用、域无关的人工智能技术的发展。ALE 提供了与数百种 Atari 2600 游戏环境的接口，每个环境都不同、有趣且旨在挑战人类玩家。ALE 为强化学习、模型学习、基于模型的规划、仿真学习、迁移学习和内在动机提供了重大的研究挑战，并提供了一个严格的测试平台，用于评估和比较这些问题的方法。

    Jul, 2012

  • PowerGridworld: 电力系统中多智能体强化学习框架

    本研究介绍了 PowerGridworld 软件包，它是一个轻量级、模块化、可定制的框架，用于创建面向电力系统的多智能体 Gym 环境，并可与现有的强化学习训练框架集成。通过两个案例研究，证明了 PowerGridworld 可以快速实现多智能体 RL 策略的学习，并支持多设备、组合式的电力系统。

    Nov, 2021