通过模仿学习中的数据增广提升游戏智能体的泛化能力

模仿学习是一种训练游戏智能体的有效方法，并因此可用于高效的游戏制作。然而，泛化能力——在相关但未见过的场景中表现良好的能力——是一项基本要求，对游戏 AI 而言仍是一项未解决的挑战。泛化对模仿学习智能体而言是困难的，因为该算法需要在训练分布之外采取有意义的动作。在本文中，我们针对此挑战提出了一种解决方案。受监督学习中数据增广成功的启发，我们对训练数据进行增广，使数据集中状态与动作的分布更好地代表真实的状态-动作分布。本研究评估了将多种数据增广组合并应用于观测以改进模仿学习智能体泛化能力的方法，并提供了这些增广在多个 3D 环境中的性能基准。这些结果表明，数据增广是提升模仿学习智能体泛化能力的一个有前景的框架。