现实足球模拟中的类人式守球员技术：一种高效强化学习方法
人工智能
2025-10-31 v3 机器学习
摘要
尽管多个知名视频游戏曾作为深度强化学习（DRL）的测试平台，但此技术很少被游戏行业用于构建真实的AI行为。以往的研究聚焦于训练超人类智能体，采用大规模模型，这对资源有限的游戏工作室而言不实用，尤其是追求类人化智能体。本文提出一种针对工业应用（如视频游戏行业）的高效DRL方法，旨在训练和微调智能体。该方法通过利用预收集数据和增强网络塑性，提高价值型DRL的样本效率。我们在EA SPORTS FC 25（当今最畅销的足球模拟游戏之一）中评估了该方法，训练的守球员智能体在扑球率上超过游戏内置AI 10%。消融研究表明，该方法比标准DRL方法快50%。最后，来自领域专家的定性评估表明，我们的方法创建的游戏play更贴近人类水平。值得注意的是，该方法已被采纳用于系列最新版本。
引用
@article{arxiv.2510.23216,
title = {Human-Like Goalkeeping in a Realistic Football Simulation: a Sample-Efficient Reinforcement Learning Approach},
author = {Alessandro Sestini and Joakim Bergdahl and Jean-Philippe Barrette-LaPierre and Florian Fuchs and Brady Chen and Michael Jones and Linus Gisslén},
journal= {arXiv preprint arXiv:2510.23216},
year = {2025}
}