基于 CNN 的桌上足球游戏状态检测
计算机视觉与模式识别
2024-07-24 v2
摘要
使用深度强化学习策略 (DRL) 实现游戏自动化是人工智能研究中的一项众所周知的挑战。虽然对于视频游戏中的特征提取通常使用整幅图像，但这对于许多现实世界的游戏来说很难实现。相反，使用较小的游戏状态以缩减参数空间的维度，使其仅包含基本参数，似乎是一种有前景的方法。在桌上足球游戏中，一个紧凑而全面的游戏状态描述由人物的位置移动和旋转以及球随时间的位置组成。特别地，速度和加速度可以从游戏状态的连续时间样本中推导出来。本文提出了一种用于确定桌上足球游戏状态的人物检测系统。我们采集了一个数据集，其中包含使用加速度计测量的杆的旋转，以及使用传统计算机视觉技术（在实验室环境中）推导出的位置移动。该数据集用于训练基于卷积神经网络 (CNN) 的端到端回归模型，以预测每根杆的旋转和移动。我们使用不同的 SOTA CNNs 作为回归模型的基础架构，对我们的系统进行了评估。我们表明，我们的系统能够高精度地预测游戏状态。通过同时提供黑白两队的数据，所提出的系统旨在为未来关于观察人类玩家的模仿学习技术的发展提供所需数据。
引用
@article{arxiv.2404.05357,
title = {CNN-based Game State Detection for a Foosball Table},
author = {David Hagens and Jan M. Knaup and Elke Hergenröther and Andreas Weinmann},
journal= {arXiv preprint arXiv:2404.05357},
year = {2024}
}