Affiliation:
1. Nazarbayev Üniversitesi
2. ANKARA YILDIRIM BEYAZIT ÜNİVERSİTESİ
Abstract
Oyun ve robotik endüstrilerinde, akıllı ve etkileşimli karakterlerin tasarımı, yapay zekadaki ilerlemelerle büyük ölçüde zenginleştirilmiştir. Yapay-zeka tabanlı bu yaklaşımlara, özellikle, geleneksel algoritmaların önceden programlanmış kural-tabanlı olması nedeniyle ihtiyaç duyulmaktadır. Makine öğrenmesi ile oyun karakterleri karmaşık oyunlarda bile özgün ve bağımsız davranışlara sahip olacak şekilde eğitilmektedir. Bu çalışma, henüz yeterince üzerinde çalışılmamış olan tenis oyununda pekiştirmeli öğrenme kullanarak zeki oyuncuların (ajanların) başarılı bir şekilde eğitilebileceğini göstermektedir. Eğitim aşamasında ajanlara temel tenis kuralları ve sonuç (kazanma/kaybetme) hakkında bilgi verilmektedir. Ayrıca, oyun içindeki performanslarına göre ajanlar ödül ya da ceza da almaktadır. Buna göre, ajanlar kendi bulundukları duruma göre en iyi davranışı bulmaya çalışır. Ajanlar, Unity'de uygulanan görsel, fiziksel ve bilişsel olarak zengin bir çevrede eğitilmektedir. Sunulan çalışmanın deneysel değerlendirmesi, genel olarak modelin etkililiğini ve başarısını göstermektedir. Gerçekleştirilen uygulama açık-kaynaktır ve uygulamaya şu adresten erişilebilir: https://bakhtiyar-ospanov.github.io/MLAT/index.html
Publisher
Ankara Yildirim Beyazit Universitesi
Reference20 articles.
1. Akkaya I, Andrychowicz M, Chociej M, Litwin M, McGrew B, Petron A, Paino A, Plappert M, Powell G, Ribas
R. (2019). Solving rubik’s cube with a robot hand. arXiv preprint arXiv:1910.07113, 10.
https://arxiv.org/abs/1910.07113
2. Albers P, de Vries D. (2001). Elo-rating as a tool in the sequential estimation of dominance strengths. Animal
Behaviour, pages 489–495. https://palbers.home.xs4all.nl/AlbersDeVries.pdf
3. Alzubi J, Nayyar A, Kumar A. (2018). Machine learning from theory to algorithms: an overview. In Journal of
physics: conference series, volume 1142, page 012012. IOP Publishing.
https://iopscience.iop.org/article/10.1088/1742-6596/1142/1/012012/meta
4. Ayodele T. (2010). Types of machine learning algorithms. New advances in machine learning, 3:19–48.
https://www.intechopen.com/chapters/10694
5. Burda, Y., Edwards, H., Storkey, A., Klimov, O. (2018). Exploration by random network distillation. arXiv
preprint arXiv:1810.12894. https://openreview.net/forum?id=H1lJJnR5Ym