一种面向贪吃蛇游戏自主智能体的内存高效深度强化学习方法
人工智能
2023-01-31 v1 机器学习
摘要
为取得良好表现，深度强化学习（DRL）方法需要大量内存资源与计算时间。此外，有时这些系统需要额外的环境信息以获得良好奖励。然而，对许多应用与设备而言，降低内存占用与计算时间比达到最大奖励更为重要。本文提出一种改进的 DRL 方法，其在压缩图像数据上表现尚可，无需额外环境信息，且占用更少内存与时间。我们设计了一个轻量卷积神经网络（CNN）与一种 Q 网络变体，可高效地将预处理图像数据作为输入并减少内存使用。此外，我们采用简单奖励机制与小体验回放内存，以仅提供最低必要信息。我们改进的 DRL 方法使自主智能体能够游玩经典控制游戏贪吃蛇（Snake）。结果表明，我们的模型可达到与其他 DRL 方法相近的性能。
引用
@article{arxiv.2301.11977,
title = {A Memory Efficient Deep Reinforcement Learning Approach For Snake Game Autonomous Agents},
author = {Md. Rafat Rahman Tushar and Shahnewaz Siddique},
journal= {arXiv preprint arXiv:2301.11977},
year = {2023}
}
备注
AICT 2022