RT info:eu-repo/semantics/bachelorThesis
T1 Unity HEX BattleGame: Reinforcement Learning con Unity ML-Agents para entornos multi-agente y toma de decisiones bajo demanda
A1 González Petit, Fernando
A2 Grado en Ingeniería Informática
K1 Unity
K1 ML-Agents
K1 Combate por turnos
K1 HEX
AB Este proyecto pretende ser pionero en la utilizaci´on de agentesentrenados con Aprendizaje por Refuerzo como parte de la IA devideojuegos. M´as concretamente, su meta es estudiar su viabilidady desempe˜no en Unity HEX BattleGame, dise˜nado por el autor conun sistema de batalla t´actico por turnos donde tanto el jugador como los NPC se baten en duelo por la supervivencia de su especie.Este trabajo incluye los resultados del entrenamiento de agentescomo dichos NPC para este tipo de entornos, usando t´ecnicas modernas de Curriculum Learning y el framework de Unity ML Agentspara adquirir los mejores resultados posibles con toma de decisionesbajo demanda en entornos multi-agente.Los resultados observados exponen estrategias prometedoras paraescenarios simples, con un buen ritmo de aprendizaje en los agentes, que adem´as han desarrollado tendencias que no solo est´an ala par con su contrapartida heur´ıstica, sino que ocasionalmente demuestran ser m´as org´anicas. T´ecnicas de Curriculum Learning tambi´en han demostrado ser ´utiles para el entrenamiento de tareas m´ascomplicadas (como por ejemplo, el movimiento y la adaptabilidad alterreno), y por tanto, ser´ıa beneficioso abordar diferentes manerasde mejorar el comportamiento de los agentes, para el futuro de estey de otros juegos similares.
YR 2020
FD 2020
LK http://riull.ull.es/xmlui/handle/915/21354
UL http://riull.ull.es/xmlui/handle/915/21354
LA es
DS Repositorio institucional de la Universidad de La Laguna
RD 12-nov-2024