使用SLAM增强的深度强化学习玩Doom
人工智能
2016-12-02 v1 计算机视觉与模式识别
机器学习
摘要
近年来，在2D游戏领域的策略学习方法中，许多直接从原始输入图像映射到动作的方法已取得成功。然而，当应用于复杂3D环境时，它们通常面临部分可观测性、组合式探索空间、路径规划以及奖励场景稀缺等挑战。受人类认知先前研究的启发——该研究表明人类如何利用多种语义概念与抽象（对象类别、定位等）来推理世界，我们构建了一个智能体模型，将这些抽象融入其策略学习框架。我们通过添加遇到的对象与结构元素的细节以及智能体的定位信息，来增强深度Q学习网络（DQN）的原始图像输入。这些不同组件利用即时对象检测和3D场景重建自动提取并组合成拓扑表示。我们在Doom（一款展现上述诸多挑战的3D第一人称战斗游戏）中评估了方法的有效性，结果表明我们的增强框架能持续学习到更优、更有效的策略。
引用
@article{arxiv.1612.00380,
title = {Playing Doom with SLAM-Augmented Deep Reinforcement Learning},
author = {Shehroze Bhatti and Alban Desmaison and Ondrej Miksik and Nantas Nardelli and N. Siddharth and Philip H. S. Torr},
journal= {arXiv preprint arXiv:1612.00380},
year = {2016}
}