基于低维观测滤波器的深度强化学习用于视觉复杂视频游戏博弈
计算机视觉与模式识别
2022-04-26 v1 人工智能
机器人学
摘要
深度强化学习（DRL）自提出以来取得了巨大成就，包括处理原始视觉输入数据的可能性。然而，训练智能体基于图像反馈执行任务仍具挑战。它需要处理来自高维观测空间的大量数据，逐帧进行，且智能体的动作根据深度神经网络策略端到端计算。图像预处理是降低这些高维空间、消除场景中存在的不必要信息、支持智能体神经网络中特征提取及其表示的有效方法。现代视频游戏因其视觉复杂性，是 DRL 算法此类挑战的例子。在本文中，我们提出了一种低维观测滤波器，使深度 Q 网络智能体能够在名为 Neon Drive 的视觉复杂现代视频游戏中成功博弈。
引用
@article{arxiv.2204.11370,
title = {Deep Reinforcement Learning Using a Low-Dimensional Observation Filter for Visual Complex Video Game Playing},
author = {Victor Augusto Kich and Junior Costa de Jesus and Ricardo Bedin Grando and Alisson Henrique Kolling and Gabriel Vinícius Heisler and Rodrigo da Silva Guerra},
journal= {arXiv preprint arXiv:2204.11370},
year = {2022}
}
备注
Paper accepted at the SB Games conference