GameRLand3D 环境中基于图增强的深度强化学习
机器学习
2021-12-23 v1 人工智能
摘要
我们研究具有断开区域地图、智能体需借助特殊动作到达的复杂 3D 视频游戏中的规划与导航问题。在此设定下，经典符号规划器不适用或难以适配。我们提出一种混合技术，结合经强化学习训练的底层策略与基于图的高层经典规划器。除提供可被人理解的路径外，该方法在未见地图上的端到端方法泛化性能更优：在尺寸 1km x 1km 的未见大规模地图的点到点导航任务中，成功率较循环端到端智能体绝对提升 20%。在深入实验研究中，我们量化了端到端深度强化学习（Deep RL）在广阔环境中的局限，并引入“GameRLand3D”——一个新基准且即将发布的环境，可生成用于导航任务的复杂程序化 3D 地图。
引用
@article{arxiv.2112.11731,
title = {Graph augmented Deep Reinforcement Learning in the GameRLand3D environment},
author = {Edward Beeching and Maxim Peter and Philippe Marcotte and Jilles Debangoye and Olivier Simonin and Joshua Romoff and Christian Wolf},
journal= {arXiv preprint arXiv:2112.11731},
year = {2021}
}