使用深度强化学习玩第一人称射击游戏
人工智能
2018-01-30 v2 机器学习
摘要
深度强化学习的进展使得自主智能体仅使用原始像素做决策，就能在 Atari 游戏上表现良好，且常超越人类。然而，这些游戏大多发生在对智能体完全可观测的 2D 环境中。在本文中，我们提出了首个用于处理第一人称射击游戏（FPS）中 3D 环境的架构，该类环境涉及部分可观测状态。通常，深度强化学习方法仅利用视觉输入进行训练。我们提出了一种增强这些模型的方法，在训练阶段利用游戏特征信息（如敌人或物品的存在）。我们的模型被训练为同时学习这些特征并最小化 Q-learning 目标，这被证明能大幅提升智能体的训练速度与性能。我们的架构还是模块化的，允许针对不同游戏阶段独立训练不同模型。我们表明，所提架构在死亡竞赛场景中大幅优于游戏的内置 AI 智能体以及人类。
引用
@article{arxiv.1609.05521,
title = {Playing FPS Games with Deep Reinforcement Learning},
author = {Guillaume Lample and Devendra Singh Chaplot},
journal= {arXiv preprint arXiv:1609.05521},
year = {2018}
}
备注
The authors contributed equally to this work