WILD-SCAV：基于 Unity3D 环境的第一人称射击游戏 AI 基准测试
机器学习
2022-10-18 v1 机器学习
摘要
深度强化学习（RL）近期的进展已在 Arcade Learning Environment、MuJoCo 和 ViZDoom 等仿真环境中展现出复杂的决策能力。然而，它们很难扩展到更复杂的问题，主要由于其所训练和测试的环境缺乏复杂性与多样性。此外，它们无法扩展到开放世界环境以推动长期探索研究。为了学习现实的任务解决能力，我们需要开发具有更高多样性与复杂性的环境。我们开发了 WILD-SCAV，一个基于 3D 开放世界 FPS（第一人称射击）游戏的强大且可扩展的环境，以弥补这一差距。它提供具有可变复杂性的真实 3D 环境、多种任务以及多种交互模式，智能体可在其中学习以类人方式感知 3D 环境、导航与规划、竞争与合作。WILD-SCAV 还支持不同复杂性，例如具有不同地形、建筑结构与分布的可配置地图，以及带有协作与竞争任务的多智能体设置。在可配置复杂性、多任务与多智能体场景上的实验结果证明了 WILD-SCAV 在基准测试各类 RL 算法方面的有效性，以及其在催生具备泛化任务解决能力的智能体方面的潜力。我们的开源代码链接可在此处找到：https://github.com/inspirai/wilderness-scavenger。
引用
@article{arxiv.2210.09026,
title = {WILD-SCAV: Benchmarking FPS Gaming AI on Unity3D-based Environments},
author = {Xi Chen and Tianyu Shi and Qingpeng Zhao and Yuchen Sun and Yunfei Gao and Xiangjun Wang},
journal= {arXiv preprint arXiv:2210.09026},
year = {2022}
}