面向第一人称射击游戏的任务相关物体发现与分类
机器学习
2018-06-19 v1 机器学习
摘要
我们考虑使用原始屏幕图像作为观测、键盘输入作为动作来学习玩第一人称射击（FPS）视频游戏的问题。此类应用中观测的高维性导致无模型方法（如深度 Q 网络（DQN）及其循环变体 DRQN）对训练数据的需求过大。因此，近期工作聚焦于学习低维表示以减少数据需求。本文提出一种高效学习此类表示的新方法。从连续帧的光流中检测显著片段，并基于其特征描述子进行聚类。这些簇通常对应于不同发现的物体类别。新帧中检测到的片段随后根据其最近簇进行分类。由于只有少数类别与给定任务相关，类别的重要性定义为其出现与智能体表现之间的相关性。结果被编码为一个指示帧中物体及其位置的向量，并用作 DRQN 的辅助输入。在游戏 Doom 上的实验为该方法的好处提供了良好证据。
引用
@article{arxiv.1806.06392,
title = {Task-Relevant Object Discovery and Categorization for Playing First-person Shooter Games},
author = {Junchi Liang and Abdeslam Boularias},
journal= {arXiv preprint arXiv:1806.06392},
year = {2018}
}