游戏模仿：用于快速视频游戏 AI 的深度监督卷积网络
计算机视觉与模式识别
2017-02-21 v1
摘要
我们提出一种仅依赖视觉的游戏 AI 模型，其使用在纯监督模仿学习背景下训练的后期融合深度卷积网络架构。尽管视频游戏任务上最先进的深度学习模型通常依赖诸如 deep-Q learning 等更复杂的方法，我们表明一个需要显著更少资源和训练时间的监督模型已经能在 N64 经典游戏 Super Smash Bros. 上以人类反应速度良好运行。我们将学习任务构建为 30 类分类问题，我们的 CNN 模型达到了 80% 的 top-1 和 95% 的 top-3 验证准确率。通过轻微的测试时微调，我们的模型在实时模拟中也能与游戏内置的最高级别 AI 竞争。我们将进一步通过网络可视化提供证据，表明该网络在推理过程中成功利用了时间信息以辅助决策。我们的工作表明，监督式 CNN 模型在具有挑战性的策略预测任务中能提供良好性能，同时比替代方案显著更简单和轻量。
引用
@article{arxiv.1702.05663,
title = {The Game Imitation: Deep Supervised Convolutional Networks for Quick Video Game AI},
author = {Zhao Chen and Darvin Yi},
journal= {arXiv preprint arXiv:1702.05663},
year = {2017}
}
备注
11 pages, 12 figures