面向多维难度的基于多样性的深度强化学习用于格斗游戏AI
机器学习
2022-11-08 v1
摘要
在格斗游戏中，同等水平的个体玩家往往通过各自的玩法展现出截然不同的策略。尽管如此，大多数格斗游戏AI智能体在每个“难度”级别仅具有单一策略。为使AI对手更具人类特征，我们理想地希望在每个难度级别上看到多种不同策略，这一概念我们称之为“多维”难度。本文中，我们提出一种基于多样性的深度强化学习方法，用于生成一组难度相近且采用多样化策略的智能体。我们发现，该方法在多样性和性能上均优于使用专门由人类设计的奖励函数训练的基线。
引用
@article{arxiv.2211.02759,
title = {Diversity-based Deep Reinforcement Learning Towards Multidimensional Difficulty for Fighting Game AI},
author = {Emily Halina and Matthew Guzdial},
journal= {arXiv preprint arXiv:2211.02759},
year = {2022}
}
备注
8 pages, 2 figures, Experimental AI in Games 2022