用于 Atari 强化学习的虚拟增强现实
机器学习
2023-10-16 v1 人工智能
摘要
强化学习（RL）在游戏领域取得了重大里程碑，最著名的是 Google DeepMind 的 AlphaGo 击败人类围棋冠军 Ken Jie。这一胜利也得益于 Atari 学习环境（ALE）：ALE 一直是 RL 研究的基础，促进了 AlphaGo 等显著 RL 算法的发展。在当前 Atari 视频游戏 RL 研究中，RL 智能体对其环境的感知基于来自 Atari 视频游戏屏幕的原始像素数据，且仅进行极少的图像预处理。相反，Atari 视频游戏 RL 研究领域之外的前沿 ML 研究正专注于增强图像感知。一个显著例子是 Meta Research 的“Segment Anything Model”（SAM），一种无需先验训练（零样本）即可分割图像的基础模型。本文探讨了一个新颖的方法论问题：诸如 SAM 等最先进的图像分割模型能否提升玩 Atari 视频游戏的 RL 智能体的性能？结果表明，在某些条件下，SAM 可作为 RL 智能体的“虚拟增强现实”，提升其 Atari 视频游戏游玩性能。比较原始像素输入与增强像素输入的 RL 智能体性能结果，可揭示这些条件。尽管本文受计算资源限制，但研究结果表明增强像素输入下 RL 智能体性能有所提升，并可为“视频游戏游玩 RL 智能体的虚拟增强现实”这一领域的更广泛研究议程提供参考。
引用
@article{arxiv.2310.08683,
title = {Virtual Augmented Reality for Atari Reinforcement Learning},
author = {Christian A. Schiller},
journal= {arXiv preprint arXiv:2310.08683},
year = {2023}
}
备注
20 pages (thereof 13 in appendix), 4 figures, 15 tables (thereof 12 in appendix), 12 Atari games explored