基于强化学习的第一人称射击游戏机器人自适应射击
人工智能
2018-06-15 v1
摘要
在当前最先进的商业第一人称射击游戏中,计算机控制的机器人(亦称非玩家角色)往往容易与人类控制的角色区分开来。导航失败、对人类玩家位置的“第六感”知晓以及确定性的脚本行为等迹象是部分原因。然而我们认为,这类游戏中非人类行为的最大指标之一在于机器人的武器射击能力。从任意距离对视野内对手保持完全一致的高精度与“锁定”能力,是机器人具有而人类玩家不具备的特征。传统上,机器人以某种方式被削弱,如定时反应延迟或对其瞄准施加随机扰动,这种方式不会随时间适应或改进其技巧。我们假设,使机器人通过试错(如同人类玩家学习的方式)来学习射击技能,将带来更大的玩法多样性并产生更不可预测的非玩家角色。本文描述了一种基于由对对手造成伤害量给出的动态奖励信号、随时间自适应射击的强化学习射击机制。
引用
@article{arxiv.1806.05554,
title = {Adaptive Shooting for Bots in First Person Shooter Games Using Reinforcement Learning},
author = {Frank G. Glavin and Michael G. Madden},
journal= {arXiv preprint arXiv:1806.05554},
year = {2018}
}
备注
IEEE Transactions on Computational Intelligence and AI in Games (2015)