Aplicações de Deep Reinforcement Learning para modelos de inteligência artificial em jogos de plataforma

Resumo

Algoritmos de Deep Reinforcement Learning são eficazes para resolver problemas que envolvem a interação entre um agente e um ambiente e, portanto, escolhas populares para aplicações em videogames e simulações. Na última década, muito progresso foi feito nesta família de algoritmos e diversas melhorias foram desenvolvidas sobre problemas conhecidos nos algoritmos mais antigos. As aplicações mais comuns de tais algoritmos envolvem maximizar alguma pontuação ou métrica equivalente naquele ambiente, mas com devidos ajustes é possível aplicá-los em problemas que visam minimizar o tempo de percurso do agente entre 2 pontos do ambiente. Modelos de Deep Q Learning, Proximal Policy Optimization e Double Q Learning foram desenvolvidos utilizando versão simplificada do ambiente para parametrizar hiperparâmetros e definir a estrutura das redes. Estes modelos foram testados em 3 mapas de diferentes graus de complexidade, e seus desempenhos foram mensurados em velocidade de aprendizado, performance e generalidade. Em todas as métricas utilizadas para as análises comparativas, foram observadas vantagens nos algoritmos de Proximal Policy Optimization e Double Q Learning em relação ao algoritmo Deep Q Learning. Com Isso, pode-se concluir que os problemas conhecidos nos modelos DQN exercem influência no problema estudado, e os aprimoramentos realizados em outros algoritmos têm sucesso em endereçá-los.

Ficha do documento

Tipo

Outro

Ano

2022

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Português

Acesso

Acesso aberto

Identificador

oai:repositorio.fgv.br:10438/33861

Temas

Tecnologia

Palavras-chave

AlgoritmoAplicaçõesModelos de Inteligência ArtificialJogos de plataformaDeep Reiforcement LearningMatemáticaMatemática aplicadaAlgoritmosAprendizado do computador