Lucy-SKG：利用深度强化学习高效学习游玩火箭联盟
机器学习
2023-05-26 v1 人工智能
摘要
科学界推进人工智能的一种成功策略是将游戏视为问题，这已被证明能带来各种突破。我们采用这一策略来研究火箭联盟（Rocket League），这是一款广受欢迎但较少被探索的3D多人视频游戏，其独特的物理引擎和复杂动力学给开发高效且高性能的游戏智能体带来了重大挑战。在本文中，我们提出Lucy-SKG，一种基于强化学习（Reinforcement Learning）的模型，它以样本高效的方式学会了如何游玩火箭联盟，并以显著优势超越了该游戏中排名最高的两个机器人，即Necto（2022年机器人冠军）及其后继者Nexto，从而成为最先进的（state-of-the-art）智能体。我们的贡献包括：a) 开发了一个奖励分析与可视化库；b) 通过我们提出的动觉奖励组合（Kinesthetic Reward Combination, KRC）技术捕捉复杂奖励类型效用的新颖可参数化奖励形状函数；c) 设计用于以同策略（on-policy）方式训练奖励预测与状态表示任务的辅助神经架构，以提升学习速度与性能效率。通过对Lucy-SKG各组件进行彻底的消融研究，我们展示了它们在整体性能中的独立有效性。在此过程中，我们展示了在基于团队的竞争性多人条件下使用样本高效强化学习技术控制复杂动力系统的前景与挑战。
引用
@article{arxiv.2305.15801,
title = {Lucy-SKG: Learning to Play Rocket League Efficiently Using Deep Reinforcement Learning},
author = {Vasileios Moschopoulos and Pantelis Kyriakidis and Aristotelis Lazaridis and Ioannis Vlahavas},
journal= {arXiv preprint arXiv:2305.15801},
year = {2023}
}
备注
24 pages, 11 figures