Sep, 2023

机械化创造者 2.0：用于评估生成规则的强化学习

PDF
TL;DR研究利用强化学习作为近似函数来生成游戏规则，通过在 Unity 中重新创建了一个新的开源规则生成框架，实验结果表明强化学习可以生成与 A * 代理基线不同的规则，可能更适合人类使用。
automated game designrule generationreinforcement learningagd environmentmechanic maker
发现论文，激发创造
  • 通过基于强化学习的人类化游戏风格生成实现自动玩测试

    该论文介绍了 CARMI：一种配置可调的智能体，使用相对度量输入以模拟玩家的游戏风格，并能够在先前未见过的游戏关卡上操作。这种方法不需要完整的游戏数据轨迹，可通过少量人工数据训练，并可用于制作视频游戏的行为和平衡研究。

    Nov, 2022

  • 强化学习智能体自动生成目标

    提出了一种基于 Adversarial training 的方法，用于 Reinforcement learning 中任务发现的问题，可以实现在不需要任何先验环境知识的情况下，对多元化任务的高效自动学习，并且能够解决传统上存在的稀疏奖励问题。

    May, 2017

  • 使用深度强化学习增强自动游戏测试

    本研究采用深度强化学习（DRL）技术来实现自学习机制的游戏测试框架，可提高测试覆盖率，发现并解决游戏内的漏洞及其他问题，特别适用于第一人称射击类型的游戏。

    Mar, 2021

  • 基于奖励的可配置智能体：游戏风格连续体生成

    本文提出了一种利用强化学习算法设计视频游戏测试的方法 --CARI 代理，相比于传统的基于奖励函数规划的算法，CARI 能更好地模拟多样的游戏风格，并能够通过单次训练达到传统方法的多倍效果，该新型代理可以用于游戏行为及平衡性调整等方面的研究。

    Nov, 2022

  • 通过对粗略局部演示进行对抗性模仿来学习敏捷技能

    提出一种基于生成对抗学习的方法，通过从部分不兼容的演示中推断奖励函数，实现成功的技能获取，并在四足机器人上测试了后空翻等技能。

    Jun, 2022

  • 发现强化学习算法

    该论文提出一种新的元学习方法，可以通过与一组环境交互，发现一个包含价值函数和时间差分学习等元素的更新规则，从而得到一个名为 LPG 的 RL 算法，该方法可以发现自己对于价值函数的替代方案，并有效地推广到复杂的 Atari 游戏中。

    Jul, 2020

  • 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

  • DRiLLS: 深度强化学习用于逻辑综合

    提出了一种基于强化学习的方法，自动化优化逻辑综合过程，通过训练 Actor Critic（A2C）智能体来实现无人工干预的设计优化，取得了较好的优化结果。

    Nov, 2019

  • 通过有限的演示学习复杂的操作技能的确定性策略

    提出了一种名为 TD3fG 算法的新算法，旨在通过学习经验和专家的有机转换，帮助代理从低质量和不充分的演示中提取先前的知识，从而减少对演示的不良影响。该算法对于具有有限演示的机械臂和 MuJoCo 任务表现良好。

    Mar, 2023

  • 双重 A3C：在 OpenAI Gym 游戏上的深度强化学习

    本文介绍了如何使用双重 A3C 算法和神经网络来最大化智能体在未知环境中的奖励，并在 OpenAI Gym Atari 2600 游戏中超越了基准。

    Mar, 2023