You are not logged in |
AI w grach: trenowanie prostych i wydajnych obliczeniowo modeli gry przy pomocy Offline Monte Carlo Tree Search
- Speaker(s)
- Maciej Świechowski
- Affiliation
- Politechnika Warszawska i QED Software
- Date
- May 4, 2020, 2:15 p.m.
- Information about the event
- https://meet.google.com/jbj-tdsr-aop
- Seminar
- Research Seminar of the Logic Group: Approximate reasoning in data mining
Prezentacja oparta będzie na pewnym podejściu do tworzeniu zachowań komputerowych graczy, które nie było do tej pory stosowane w branży gier wideo.
Pomysłem jest użycie algorytmu Monte Carlo Tree Search (MCTS) na etapie produkcji gry do trenowania drzew decyzyjnych, które zostaną umieszczone w docelowej grze. Algorytm MCTS jest szeroko i skutecznie stosowany w grach kombinatorycznych takich jak Go, Szachy, Hex, Lines of Action, Havannah itp. Nie cieszy się jednak taką popularnością w grach wideo z powodu wielu ograniczeń - głównie wydajnościowych. W przeciętnej grze, budżet czasu procesora na AI wynosi zwykle od około 3 do 16 milisekund na klatkę gry.
Standardowym podejściem do tworzenia AI w komercyjnych grach wideo są drzewa behawioralne. Mają niewątpliwie wiele zalet, ale ja wspomnę o ich wadach i powiem dlaczego szuka się nowych podejść.
Przedstawię algorytm MCTS, uczenie drzew decyzyjnych przy jego pomocy i pewną charakterystykę tego procesu, wyniki wielu eksperymentów. Omówię zalety i wady takiego podejścia. Porównam również siłę gry bota opartego na MCTS oraz o drzewo decyzyjne. Wykorzystam doświadczenia z tworzenia biblioteki GRAIL przeznaczonej dla twórców AI w grach.
Pomysłem jest użycie algorytmu Monte Carlo Tree Search (MCTS) na etapie produkcji gry do trenowania drzew decyzyjnych, które zostaną umieszczone w docelowej grze. Algorytm MCTS jest szeroko i skutecznie stosowany w grach kombinatorycznych takich jak Go, Szachy, Hex, Lines of Action, Havannah itp. Nie cieszy się jednak taką popularnością w grach wideo z powodu wielu ograniczeń - głównie wydajnościowych. W przeciętnej grze, budżet czasu procesora na AI wynosi zwykle od około 3 do 16 milisekund na klatkę gry.
Standardowym podejściem do tworzenia AI w komercyjnych grach wideo są drzewa behawioralne. Mają niewątpliwie wiele zalet, ale ja wspomnę o ich wadach i powiem dlaczego szuka się nowych podejść.
Przedstawię algorytm MCTS, uczenie drzew decyzyjnych przy jego pomocy i pewną charakterystykę tego procesu, wyniki wielu eksperymentów. Omówię zalety i wady takiego podejścia. Porównam również siłę gry bota opartego na MCTS oraz o drzewo decyzyjne. Wykorzystam doświadczenia z tworzenia biblioteki GRAIL przeznaczonej dla twórców AI w grach.
Link do spotkania meet.google.com/jbj-tdsr-aop
