Dec, 2023

动物人工智能 3：新变化与重要性

PDF
TL;DR动物人工智能环境是一个独特的基于游戏的研究平台，为人工智能和认知科学研究社区提供服务。本文介绍了 Animal-AI 3，该环境的最新版本，概述了使游戏对人类更具吸引力、对人工智能系统更复杂的几个重要新功能。
animal-ai environmentgame-based research platformai systemsagent trainingcomparative psychology
发现论文，激发创造
  • 模仿交互智能

    通过虚拟环境中的交互式训练、行为测试和逆强化学习技术，实现了大规模人类行为模仿，提高了人工智能代理的交互能力，并成功解决了代理评估方面的挑战。

    Dec, 2020

  • AI2-THOR：一种用于视觉 AI 的交互式 3D 环境

    THOR 框架为视觉 AI 研究提供了近乎真实的 3D 室内场景，AI 代理可以在场景中导航，与对象交互执行任务，旨在推动视觉智能模型的建立和研究。

    Dec, 2017

  • VRKitchen：面向任务学习的交互式 3D 虚拟环境

    通过 VRKitchen 的虚拟现实环境和集成功能，该研究使用现代人工智能方法驱动具有复杂任务能力的实体代理，使人类教师能够进行演示培训，为任务导向学习等领域的广泛应用提供了标准化的评估基准和数据收集工具。

    Mar, 2019

  • Orangutan: 基于多尺度脑仿真的动态环境人工智能框架

    仿生智能系统 Orangutan 基于大规模生物脑的神经机制、结构和计算模型，通过模拟人眼球运动的感知运动模型，有效验证了算法的功效。

    Jun, 2024

  • PettingZoo: 多智能体强化学习的 Gym

    介绍 PettingZoo 动物园库及附带的代理环境循环（“AEC”）游戏模型，PettingZoo 是多样的多代理环境的库，有一个通用的 Python API，用于加速多智能体强化学习（“MARL”）研究。

    Sep, 2020

  • 基于游戏的人工智能研究平台

    本文回顾了基于游戏的平台在人工智能研究中的应用，讨论了这些平台的演化引起的研究趋势，并展望了未来的发展。

    Apr, 2023

  • 水族馆：通过多智能体强化学习算法探索捕食者 - 猎物动态的综合框架

    Aquarium 是一个开源的、全面的多智能体强化学习环境，旨在研究捕食者 - 被捕食者交互中的自发行为。该环境使用 PettingZoo 框架和 PPO 算法实现了资源高效的可视化，并证实了参数共享在提高协调性和样本效率方面优于个体学习。

    Jan, 2024

  • Arcade Learning Environment：通用智能体评估平台

    该论文介绍了 Arcade Learning Environment（ALE），这是一个既是挑战问题又是平台和方法论，用于评估通用、域无关的人工智能技术的发展。ALE 提供了与数百种 Atari 2600 游戏环境的接口，每个环境都不同、有趣且旨在挑战人类玩家。ALE 为强化学习、模型学习、基于模型的规划、仿真学习、迁移学习和内在动机提供了重大的研究挑战，并提供了一个严格的测试平台，用于评估和比较这些问题的方法。

    Jul, 2012

  • AI 猫解说员：为探索与猫共享的世界和社交联系设计的 AI 工具

    我们的研究介绍了一种名为 AI 猫叙述器的新工具，通过民族志学方法和虚构故事讲述策略的结合，将猫眼中看到的真实世界数据与猫文学摘录融合，为训练 AI 猫叙述器提供了丰富的数据库，结果表明利用这种非熟悉化的数据进行训练能够显著提高情感共情和个性化角色的发展，研究的贡献在于提出了一种创新的方法来重新评估与猫共同生活，并建立了一个由人类、猫和人工智能共同开发的协作性探索工具。

    Jun, 2024

  • 2017 AIBIRDS 竞赛

    介绍第六届 AIBIRDS 比赛，要求参赛者开发智能代理程序，能够玩物理学基础碎片游戏 Angry Birds，并使用深度强化学习等技术，描述该比赛的框架，规则，参赛代理程序和结果，探讨相关工作和未来的发展方向。

    Mar, 2018