Apr, 2022

使用低维观测滤波器的深度强化学习在视觉复杂游戏中的应用

PDF
TL;DR本论文提出了一种低维观察过滤器，使深度 Q 网络代理能够在视觉复杂的现代视频游戏（Neon Drive）中成功玩耍。
deep reinforcement learningimage feedbackneural networkobservation filtervideo-game
发现论文，激发创造
  • 感知增强学习中的差分编码观测空间

    通过差分编码观察空间，将基于图像的观察重新解释为视频，并利用无损差分视频编码方案来压缩回放缓冲区，以降低记忆占用，提高学习性能和延迟。

    Oct, 2023

  • 使用深度强化学习玩射击游戏

    本研究提出了一种融合游戏特征信息的深度强化学习神经网络模型，其能够在处理 3D FPS 游戏的部分可观察状态下显著提高训练效率和性能。

    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

  • 诊断和利用视频游戏的计算需求进行深度强化学习

    通过提出学习挑战诊断器 (LCD) 并使用其在 Procgen 基准测试中发现新的挑战分类，研究报道了在优化深度强化学习算法时出现的多种失败情况，并为更高效的进展提供了一条路径。

    Sep, 2023

  • 视频游戏的逆强化学习

    通过改良强化学习反求解奖励函数模型的 CNN-AIRL 方法以及使用对电子游戏环境进行了调整的自动编码器将专家演示转化为奖励网络的输入，本文在简单的 Catcher 游戏上取得了高水平表现，显著超越了 CNN-AIRL 基线，但在 Enduro Atari 赛车游戏中表现不佳，这彰显了需要进一步研究的必要性。

    Oct, 2018

  • SOLAR: 基于深度结构化表示的模型驱动强化学习

    本文提出了一种适合于迭代模型增强策略，即使在具有复杂图像观测的情况下，学习简单动态和成本模型的表示方法，使得基于线性二次调节器（LQR）的基于模型的 RL 方法可用于具有图像观测的系统， 并在包括通过图像直接操作真实世界机器人臂的操作中评估该方法，发现我们的方法相比其他基于模型的 RL 方法产生更好的最终性能，同时比无模型 RL 更高效。

    Aug, 2018

  • 使用 SLAM 增强的深度强化学习玩《毁灭战士》游戏

    该研究使用前人认为人类认知中的语义概念和抽象能力，将对象和结构元素添加到图像输入，改进了深度 Q 学习网络（DQN）代理模型的策略学习框架，并在 3D 第一人称射击游戏 “毁灭战士” 中表现出更好和更有效的策略。

    Dec, 2016

  • 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

  • 使用人类演示进行神经网络预训练的深度强化学习

    通过使用小规模的人类演示来完成深度强化学习网络的预训练，可以更好地发现特征，并且可以使训练时间显著缩短，并可在 Atari 2600 游戏中实现。

    Sep, 2017

  • 一种内存高效的蛇游戏自主代理深度强化学习方法

    本文提出了一种改进的深度强化学习方法，使用轻量级卷积神经网络和简单的奖励机制对压缩的图像数据进行处理，避免了需要额外环境信息的需求，从而使得使用更小的内存和时间能够在经典控制游戏 “贪吃蛇” 中实现与其它深度强化学习方法相似的性能表现。

    Jan, 2023