Jul, 2023

PyTAG：桌面游戏中强化学习的挑战与机遇

PDF
TL;DR近年来，游戏人工智能研究在使用强化学习方面取得了重要突破，然而现代桌面游戏的强化学习领域却鲜有关注，尽管相较于电子游戏，桌面游戏提供了一系列独特的挑战。为填补这一空白，我们引入了 PyTAG，一个用于与 Tabletop Games 框架（TAG）交互的 Python API。TAG 框架涵盖了一系列超过 20 个现代桌面游戏，并提供了一种通用的 AI 代理 API。我们提出了在这些游戏中训练强化学习代理的技术，并在对游戏子集进行 Proximal Policy Optimisation 算法训练后介绍了基准结果。最后，我们讨论了现代桌面游戏提供的独特挑战，通过 PyTAG 面向强化学习研究的现在也就随之开放。
game aireinforcement learningtabletop gamespytagproximal policy optimisation
发现论文，激发创造
  • PyTAG：用于多智能体强化学习的桌面游戏

    本研究提出了 PyTAG 框架，支持与桌面游戏接口的互动，并探讨了桌面游戏对多智能体强化学习所带来的挑战和研究机会。通过在 PyTAG 上进行自我对弈训练，我们使用近端策略优化算法训练了模型，在一部分游戏上评估了训练得到的策略与某些简单智能体以及 Monte-Carlo Tree Search 的差异。

    May, 2024

  • 实践中的强化学习：机遇与挑战

    本文是对强化学习领域的实际应用、机遇和挑战进行较为温和的讨论，涉及深度学习、机器学习和人工智能等多个方面，并且重点考虑了强化学习在产品与服务、游戏、推荐系统、机器人技术、交通、金融和经济、医疗保健、教育、组合优化、计算机系统、科学和工程等方面的应用。其中也讨论了强化学习面临的基础、表达、奖励、探索、模型、仿真、计划、基准测试、离线学习、元学习、可解释性、约束、软件开发和部署、商业化等多个挑战。最后，本文试图回答 “为什么强化学习在实践中并没有被广泛采用？” 和 “什么时候强化学习有用？” 两个问题。

    Feb, 2022

  • 在 AAA 游戏中部署强化学习测试代理的技术挑战

    利用实验性的强化学习系统增加自动化游戏测试解决方案的能力，展示了将强化学习应用于游戏开发中的用例，并提出了促进游戏产业采用机器学习和特别是强化学习的研究方向。

    Jul, 2023

  • 基于人群的深度强化学习在第一人称多人游戏中达到人类水平的表现

    本研究提出了一个新颖的两层优化过程来训练共有多个独立的强化学习智能体，这些智能体仅使用 Q3A 视频游戏的像素和游戏得分作为输入，即使在富有挑战性的多智能体环境中互相协作和竞争，这些智能体也能够达到类人水平，并展现出人类般的行为表现。

    Jul, 2018

  • 生成型人工智能的强化学习：现状和机遇，开放研究挑战

    通过应用强化学习于生成型人工智能，我们讨论了现有技术水平、机会以及开放性研究问题。具体而言，我们分析了三种应用情况，包括没有指定目标的生成方法、在最大化目标函数的同时生成输出的方法，以及将难以通过目标函数捕捉到的所需特征嵌入生成过程的方法。这一令人着迷的新兴领域的机会和挑战也在调查中得到了深入讨论。

    Jul, 2023

  • 利用强化学习创建弱化的抽象棋类游戏智能体技术

    本研究介绍了如何使用强化学习模型和 Q 学习算法创建能够学会玩井字游戏、九人跳和玛卡拉棋的人工智能代理，同时还提出了一种制作较弱 AI 代理的方法，并提供了一种比较 AI 代理的方法。

    Sep, 2022

  • 多阶段策略卡牌游戏的两阶段强化学习

    这项研究介绍了一种针对《魔戒卡牌游戏》的两阶段强化学习策略，采用分阶段学习方法，通过在简化版本和完整的游戏环境中逐步学习，显著提高了人工智能代理在面对《魔戒卡牌游戏》的不可预测和具有挑战性的情境中的适应能力和表现。此外，论文还探讨了多智能体系统，其中不同的强化学习代理用于游戏的各个决策方面，并在一组 10,000 局随机游戏中实现了 78.5％的胜率提升。

    Nov, 2023

  • 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

  • 商业游戏中创造代理的挑战和机会：“笨重且费时” 的问题

    该研究通过对 AAA 工作室、独立工作室和工业研究实验室的 17 位游戏代理创作者的访谈，揭示了游戏代理制作面临的设计、实现和评估等几个方面的挑战。并与学术研究相比较，指出未来研究中支持游戏产业代理创作的方向。

    Sep, 2020

  • 深度强化学习系统部署：挑战分类

    该研究通过对开发人员常见问题解答平台 Stack Overflow 上的相关帖子进行实证研究，揭示并理解开发人员在部署深度强化学习系统时面临的挑战。结果显示，DRL 部署比其他问题更困难，而与 RL 环境相关的挑战是最常见和最困难的。希望这项研究能够激发未来的研究，并帮助社区克服开发人员在部署 DRL 系统时面临的最常见和最困难的挑战。

    Aug, 2023