用于游玩 2.5D 格斗游戏的深度强化学习
机器学习
2018-05-08 v1 人工智能
机器学习
摘要
深度强化学习已在游戏对弈中展现其成功。然而，2.5D 格斗游戏将是一项具有挑战性的任务，因为角色的高度或深度等视觉外观存在模糊性。此外，此类游戏中的动作通常涉及特定的顺序动作次序，这也使得网络设计非常困难。基于异步优势 actor-critic (A3C) 网络，我们创建了具有 Little Fighter 2 (LF2) 游戏的 OpenAI-gym 类游戏环境，并提出一种新颖的 A3C+ 网络用于学习 RL 智能体。所引入的模型包括一个循环信息网络，其利用具有循环层的游戏相关信息特征来观察格斗连招。在实验中，我们考虑不同设定下的 LF2，成功展示了我们所提模型在学习 2.5D 格斗游戏中的使用。
引用
@article{arxiv.1805.02070,
title = {Deep Reinforcement Learning for Playing 2.5D Fighting Games},
author = {Yu-Jhe Li and Hsin-Yu Chang and Yu-Jing Lin and Po-Wei Wu and Yu-Chiang Frank Wang},
journal= {arXiv preprint arXiv:1805.02070},
year = {2018}
}
备注
ICIP 2018