Nov, 2020

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 关于《星际争霸 Ⅱ》全游戏的高效强化学习研究

    本研究通过使用一系列强化学习技术，包括层次化体系结构、课程转移学习和战斗模型等方法，在 StarCraft II 游戏上进行了训练，并获得了高胜率。我们还将我们的方法与 mini-AlphaStar 进行比较，证明了该方法的有效性。

    Sep, 2022

  • 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

  • AlphaStar: 一种进化计算的视角

    本文主要通过使用演化计算的视角对 AlphaStar 进行分析并阐述了它的 Lamarckian 演化、竞争性共进化和质量多样化等方面，旨在为广大的演化计算研究者介绍近期开发的最重要的人工智能系统之一。

    Feb, 2019

  • AlphaStar Unplugged：大规模离线强化学习

    这篇论文在 StarCraft II 这个具有挑战性的强化学习环境中，利用大量的离线数据集和机器学习方法，建立了一个新的基准 AlphaStar Unplugged，提出了离线强化学习的前沿技术，并且取得了 90% 的胜率。

    Aug, 2023

  • 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

  • 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

  • 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

  • 星际争霸 II：强化学习的新挑战

    介绍了一种基于《星际争霸 II》游戏的增强学习环境 SC2LE，通过使用该环境，可以探索深度强化学习算法和架构。

    Aug, 2017

  • 星际争霸全程游戏的强化学习

    本论文研究了适用于 StarCraft II 游戏的分层强化学习方法，其中包括宏动作、双层分层结构以及课程转移学习算法，取得了较好的游戏成绩并证明了其强泛化性能。

    Sep, 2018