AAAIDec, 2020

适应 Roguelike 游戏设计参数变化的 NPC 行为深度策略网络

PDF
TL;DR本文提出了两种与过程生成动态变化的游戏中代理行为相关的网络结构方法，可以更好地处理复杂的分类状态空间，并减少了由于设计决策而强制重新训练的需要，从而使 DRL 更加适用于游戏产业。
deep reinforcement learningnon-player characterturn-based strategy gamesprocedural loot generationtransformer network
发现论文，激发创造
  • 使用双阶段训练的策略网络用于对话系统

    本文提出使用训练有优势 actor-critic 方法的深度策略网络统计优化对话系统，演示了在深度强化学习下优于高斯过程方法，可以有效地训练部分可观察马尔可夫决策过程的对话系统，有效提高学习速度，所有实验在 DSTC2 餐厅领域数据集上进行。

    Jun, 2016

  • 网络随机化：增强学习中通用的简单技术

    本文提出一种简单有效的技术，通过引入随机卷积神经网络打乱输入观测数据，在提高深度强化学习智能体的泛化能力方面取得了显著效果，并且通过 Monte Carlo 近似的推理方法来减少随机化引起的方差。我们在 2D CoinRun、3D DeepMind Lab 探索和 3D 机器人控制任务中展示了我们的方法的优越性，相比于其他正则化和数据增强方法明显更加优秀。

    Oct, 2019

  • 关系深度强化学习

    通过结构化感知和关系推理的方法，使用自我注意力来进行实体之间关系的迭代推理以及指导无模型策略的建立，提高了强化学习的效率、泛化能力和可解释性，并在 Box-World 任务和 StarCraft II Learning Environment 等方面取得了一定的进展。

    Jun, 2018

  • AAA 视频游戏中深度强化学习导航

    在视频游戏中，我们提出使用深度强化学习 (Deep RL) 代替 NavMesh 来实现 NPC 的导航能力，测试表明，在 Unity 游戏引擎中的复杂 3D 环境的表现令人惊讶，成功率至少为 90%。

    Nov, 2020

  • 高效基于实体的强化学习

    本文介绍了通过将最近的集合表示形式与图神经网络和槽注意方法相结合来处理结构化数据，从而拓宽深度强化学习算法的应用范围，改善训练时间和鲁棒性，并且证明这种方法可以在多种环境下处理结构化和视觉领域的问题。

    Jun, 2022

  • 深度符号强化学习

    该研究提出了一个神经和符号端到端强化学习架构，能够克服当前深度学习技术的局限性，如需要非常大的数据集工作、难以实现高级认知功能和透明性欠佳等。研究者以简单的视频游戏为例，展示了这个架构的实现原型，结果表明它能够有效地学习，并通过获得一组符号规则，可将性能提高到比传统完全神经强化学习系统更好的水平。

    Sep, 2016

  • 视频游戏中深度强化学习综述

    本文综述了深度强化学习 (DRL) 的进展，包括基于价值、基于策略和基于模型的算法，并对其在游戏 AI 领域内的应用和挑战进行了讨论和总结。

    Dec, 2019

  • 深度强化学习中的深厚密集架构 (D2RL)

    研究探究在多种模拟机器人学习基准环境下，使用更深层次、更密集连接的神经网络结构，对增强学习产生的影响，揭示出在本体感知和基于图像的观察下，采用稠密连接和深层网络有助于得到较好的表现。

    Oct, 2020

  • 基于图形的深度强化学习玩文本冒险游戏

    本文介绍了一种基于深度强化学习的架构，将游戏状态表示为知识图谱，通过剪枝动作空间和转移学习等技术实现了更高效的探索和学习，通过测试表明，此技术可在 TextWorld 平台上更快地学习控制策略。

    Dec, 2018

  • 基于深度强化学习的战略对话管理

    本研究成功应用深度强化学习 (DRL) 训练具备谈判能力的智能策略代理程序，实验表明该程序与由人工设计的规则、随机等算法相比，获胜率提高至 53%。

    Nov, 2015