Spelling suggestions: "subject:"stealthy path alanning"" "subject:"stealthy path aplanning""
1 |
Evolution of reward functions for reinforcement learning applied to stealth gamesMendonça, Matheus Ribeiro Furtado de January 2016 (has links)
Submitted by Renata Lopes (renatasil82@gmail.com) on 2017-05-31T11:40:17Z
No. of bitstreams: 1
matheusribeirofurtadodemendonca.pdf: 1083096 bytes, checksum: bb42372f22411bc93823b92e7361a490 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2017-05-31T12:42:30Z (GMT) No. of bitstreams: 1
matheusribeirofurtadodemendonca.pdf: 1083096 bytes, checksum: bb42372f22411bc93823b92e7361a490 (MD5) / Made available in DSpace on 2017-05-31T12:42:30Z (GMT). No. of bitstreams: 1
matheusribeirofurtadodemendonca.pdf: 1083096 bytes, checksum: bb42372f22411bc93823b92e7361a490 (MD5)
Previous issue date: 2016 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Muitos jogos modernos apresentam elementos que permitem que o jogador complete
certos objetivos sem ser visto pelos inimigos. Isso culminou no surgimento de um novo
gênero chamado de jogos furtivos, onde a furtividade é essencial. Embora elementos de
furtividade sejam muito comuns em jogos modernos, este tema não tem sido estudado
extensivamente. Este trabalho aborda três problemas distintos: (i) como utilizar uma
abordagem por aprendizado de máquinas de forma a permitir que o agente furtivo aprenda
como se comportar adequadamente em qualquer ambiente, (ii) criar um método eficiente
para planejamento de caminhos furtivos que possa ser acoplado à nossa formulação por
aprendizado de máquinas e (iii) como usar computação evolutiva de forma a definir certos parâmetros para nossa abordagem por aprendizado de máquinas. É utilizado aprendizado
por reforço para aprender bons comportamentos que sejam capazes de atingir uma alta
taxa de sucesso em testes aleatórios de um jogo furtivo. Também é proposto uma abor
dagem evolucionária capaz de definir automaticamente uma boa função de reforço para a
abordagem por aprendizado por reforço. / Many modern games present stealth elements that allow the player to accomplish a
certain objective without being spotted by enemy patrols. This gave rise to a new genre
called stealth games, where covertness plays a major role. Although quite popular in
modern games, stealthy behaviors has not been extensively studied. In this work, we tackle
three different problems: (i) how to use a machine learning approach in order to allow the
stealthy agent to learn good behaviors for any environment, (ii) create an efficient stealthy
path planning method that can be coupled with our machine learning formulation, and (iii)
how to use evolutionary computing in order to define specific parameters for our machine
learning approach without any prior knowledge of the problem. We use Reinforcement
Learning in order to learn good covert behavior capable of achieving a high success rate
in random trials of a stealth game. We also propose an evolutionary approach that is
capable of automatically defining a good reward function for our reinforcement learning
approach.
|
Page generated in 0.0554 seconds