深度强化学习在视频游戏中的研究综述
多智能体系统
2019-12-30 v2 人工智能
机器学习
摘要
深度强化学习（DRL）自提出以来取得了巨大成就。通常，DRL 智能体在每一步接收高维输入，并基于深度神经网络策略做出动作。该学习机制以端到端方法更新策略以最大化回报。本文综述了 DRL 方法的进展，包括基于值、策略梯度和基于模型的算法，并比较了它们的主要技术与性质。此外，DRL 在游戏人工智能（AI）中发挥着重要作用。我们还回顾了 DRL 在各类视频游戏中的成就，包括经典街机游戏、第一人称视角游戏和多智能体实时策略游戏，从 2D 到 3D，从单智能体到多智能体。大量采用 DRL 的视频游戏 AI 已达成超越人类的表现，但该领域仍存在一些挑战。因此，我们还讨论了将 DRL 方法应用于该领域时的若干关键点，包括探索与利用、样本效率、泛化与迁移、多智能体学习、不完全信息以及延迟稀疏奖励，以及一些研究方向。
引用
@article{arxiv.1912.10944,
title = {A Survey of Deep Reinforcement Learning in Video Games},
author = {Kun Shao and Zhentao Tang and Yuanheng Zhu and Nannan Li and Dongbin Zhao},
journal= {arXiv preprint arXiv:1912.10944},
year = {2019}
}
备注
13 pages, 3 figures