Deep RTS：一种用于实时战略游戏深度强化学习的环境
人工智能
2018-08-16 v1 机器学习
摘要
强化学习（RL）是近年来蓬勃发展的研究领域，并在计算机游戏的基于人工智能的对手中展现出卓越潜力。这一成功主要归因于卷积神经网络的巨大能力，其能从含噪复杂数据中提取有用特征。游戏是测试和推进新颖RL算法边界的优秀工具，因为它们能在无现实后果的隔离环境中提供算法性能的宝贵洞见。实时战略游戏（RTS）是一类具有巨大复杂性、对玩家的短期和长期规划提出挑战的游戏类型。许多研究聚焦于RTS游戏中的应用RL，因此在不远的将来有望取得新颖进展。然而，迄今用于测试RTS AI的环境很少。文献中的环境往往要么过于简化（如microRTS），要么复杂且无法在消费级硬件上加速学习（如StarCraft II）。本文介绍用于测试RTS游戏前沿人工智能算法的Deep RTS游戏环境。Deep RTS是专为人工智能研究打造的高性能RTS游戏，支持加速学习，意味着其学习速度可比现有RTS游戏快50000倍。Deep RTS具有灵活配置，支持多种不同RTS场景的研究，包括部分可观测状态空间和地图复杂性。我们通过在高端消费级硬件上与microRTS、ELF和StarCraft II比较性能，表明Deep RTS不负我们的承诺。使用Deep RTS，我们展示了一个Deep Q-Network智能体在超过70%的对局中击败随机博弈智能体。Deep RTS公开于https://github.com/cair/DeepRTS。
引用
@article{arxiv.1808.05032,
title = {Deep RTS: A Game Environment for Deep Reinforcement Learning in Real-Time Strategy Games},
author = {Per-Arne Andersen and Morten Goodwin and Ole-Christoffer Granmo},
journal= {arXiv preprint arXiv:1808.05032},
year = {2018}
}
备注
Proceedings of the IEEE International Conference on Computational Intelligence and Games (CIG 2018)