awesome game ai

Потрясающая игра-ай

Куратор, но неполный список ресурсов ИИ игры на многоагентное обучение.

Если вы хотите внести свой вклад в этот список, пожалуйста, не стесняйтесь отправлять запрос на привлечение. Также вы можете связаться с [email protected] или [email protected].

? Новости: Пожалуйста, ознакомьтесь с нашей моделью больших временных рядов с открытым исходным кодом (LTSM)!

? Вы слышали об искусственном интеллекте, ориентированном на данные? Пожалуйста, ознакомьтесь с нашим исследованием искусственного интеллекта, ориентированным на данные, и удивительные ресурсы ИИ, ориентированные на данные!

Что такое ИИ ИИ?

ИГ ИИ сосредоточен на прогнозировании того, какие действия следует предпринять, на основе текущих условий. Как правило, большинство игр включают в себя какой -то ИИ, который обычно являются персонажами или игроками в игре. Для некоторых популярных игр, таких как Starcraft и Dota 2, разработчики потратили годы на разработку и уточнение ИИ, чтобы улучшить опыт.

Одноагент против мультиагентов

Многочисленные исследования и достижения были проведены в ИГ ИИ в среде одного агента, где в играх есть один игрок. Например, глубокое Q-обучение успешно применяется к играм Atari. Другие примеры включают Super Mario, Minecraft и Flappy Bird.

Многоагентные среды более сложны, поскольку каждый игрок должен рассуждать о ходах других игроков. Современные методы обучения подкрепления увеличили многоагентную игру Game. В 2015 году, Alphago, впервые победил игрока Professional Go на полноразмерной доске 19 × 19. В 2017 году Альфазеро учил себя с нуля и научился освоить игры в шахматах, Shogi и Go. В последние годы исследователи предприняли усилия для покерных игр, таких как Libratus, Deepstack и Douzero, достигнув производительности на уровне экспертов в Техасе Hold'em и китайской покерной игре Dou Dizhu. Теперь исследователи продолжают прогрессировать и достигать ИИ на уровне человека на DOTA 2 и Starcraft 2 с глубоким обучением подкрепления.

Идеальная информация против несовершенной информации

Идеальная информация означает, что каждый игрок имеет доступ к одной и той же информации в игре, например, Go, Chess и Gomoku. Несовершенная информация относится к ситуации, когда игроки не могут наблюдать за всем состоянием игры. Например, в карточных играх игрок не может наблюдать за руками других игроков. Несовершенные информационные игры обычно считаются более сложными с большими возможностями.

Что включено?

Этот репозиторий собирает несколько потрясающих ресурсов для ИИ игры на многоагентное обучение как для идеальных, так и для несовершенных информационных игр, включая, помимо прочего, проекты с открытым исходным кодом, обзорные документы, исследовательские работы, конференции и соревнования. Ресурсы классифицируются по играм, а документы сортируются по годам.

Оглавление

• Проекты с открытым исходным кодом
  • Унифицированные инструментальные наборы
  • Техас Холд
  • Доу Дицху
  • Starcraft
  • Идти
  • Гомоку
  • Шахматы
  • Китайские шахматы
• Обзор и общие документы
• Исследовательские работы
  • Ставки на игры
  • Доу Дицху
  • Маджонг
  • Мост
  • Идти
  • Starcraft
• Конференции и семинары
• Соревнования
• Связанные списки

Проекты с открытым исходным кодом

Унифицированные инструментальные наборы

• RLCARD: инструментарий для обучения подкреплению в карточных играх [Paper] [Код].
• OpenSpiel: основа для обучения подкреплению в играх [Paper] [Code].
• Unity ML-Agents Toolkit [Paper] [Код].
• Alpha Zero General [код].

Техасские проекты

• Deepstack-leduc [Paper] [Код].
• Deepholdem [код].
• Openai Gym без ограничения Texas Hold 'EM Environment для подкрепления [код].
• Pypokerengine [код].
• Deep Mind PokerBot для PokerStars и PartyPoker [Code].

Dou Dizhu Projects

• PerfectDou: доминировать в Дудиджу с идеальной информационной дистилляцией [код].
• Douzero: Освоение Дудижу с самостоятельным обучением глубокого подкрепления [код].
• Doudizhu AI с использованием подкрепления обучения [код].
• Dou di Zhu с комбинационным Q-обучением [Paper] [Code].
• Doudizhu [код].
• 斗地主 ai 设计与实现 [код].

Starcraft Projects

• Starcraft II Учебная среда [бумага] [код].
• Gym Starcraft [код].
• Примеры обучения Startcraft II [код].
• Руководство по среде AI DeepMind Starcraft [код].
• Повторная повторная алфастар на основе ди-инженера с помощью обученных моделей [код].

Go Projects

• ELF: платформа для исследований в области игры с реумплемацией Alphagozero/Alphazero [Code] [Paper].

Гомоку Проекты

• Alphazero-gomoku [код].
• Гобанг [код].

Шахматные проекты

• Шахматы-альфа-ноле [код].
• Deep Pink [Code].
• Простой шахмат AI [код].

Китайские шахматные проекты

• Cczero (中国象棋 Zero) [код].

Маджонг проекты

• Пимахджонг (японский Риичи Маджонг) [код].
• Mortal [код].

Обзор и общие документы

• Глубокое подкрепление обучения на самостоятельстве в невыполненных информационных играх, Arxiv 2016 [Paper].
• Многоагентное обучение подкреплению: обзор, 2010 [Paper].
• Обзор кооперативного и конкурентного многоагентного обучения, Lamas 2005 [Paper].
• Многоагентное обучение подкреплению: критический опрос, 2003 [Paper].

Исследовательские работы

Ставки на игры

Ставки на игры являются одной из самых популярных форм покерных игр. Список включает в себя Goofspiel, Kuhn Poker, Leduc Poker и Texas Hold'em.

• Нейронная репликатор Dynamics, Arxiv 2019 [Paper].
• Вычисление приблизительного равновесия в последовательных состязательных играх с помощью эксплуатации эксплуатации, IJCAI 2019 [Paper].
• Решение несовершенных игр с дисконтированной минимизацией сожаления, AAAI 2019 [Paper].
• Глубокая контрфактуальная минимализация, ICML, 2019 [Paper].
• Актер-критическая оптимизация политики в частично наблюдаемых многоагентных средах, Neurips 2018 [Paper].
• Безопасное и вложенное разрешение подэггмы для игр несовершенной информации, Neurips, 2018 [Paper].
• DeepStack: Искусственный интеллект на уровне эксперта в покере без ограничений, Science 2017 [Paper].
• Единый теоретичный подход к многоагентному обучению подкрепления, Neurips 2017 [Paper].
• Poker-CNN: стратегия обучения шаблона для выполнения рисунков и ставок в покерных играх с использованием сверточных сетей [Paper].
• Глубокое подкрепление обучения на самостоятельстве в невыполненных информационных играх, Arxiv 2016 [Paper].
• Фиктивная самостоятельная игра в обширных играх, ICML 2015 [Paper].
• Решение лимита Heads-Up Texas hold'em, ijcai 2015 [Paper].
• Минимизация сожаления в играх с неполной информацией, Neurips 2007 [Paper].

Доу Дицху

• PerfectDou: доминировать в Дудичу с идеальной информационной дистилляцией, Neurips 2022 [Paper] [Code].
• Douzero: Освоение Дудичу с самостоятельным обучением глубокого подкрепления, ICML 2021 [Paper] [Code].
• DELTADOU: Doudizhu AI на уровне эксперта через самостоятельный игрок, IJCAI 2019 [Paper].
• Комбинационный Q-обучение для Dou Di Zhu, Arxiv 2019 [Paper] [Code].
• Определение и набор информации и поиск Монте -Карло Поиск карточной игры Dou Di Zhu, CIG 2011 [Paper].

Маджонг

• Вариационное руководство Oracle для обучения подкреплению, ICLR 2022 [Paper]
• SUPHX: Освоение Маджонга с глубоким обучением подкрепления, Arxiv 2020 [Paper].
• Метод построения игрока искусственного интеллекта с абстракцией процессов принятия решений Маркова в многопользовательской игре Mahjong, Arxiv 2019 [Paper].
• Создание компьютерного игрока Mahjong на основе модели Monte Carlo и моделей оппонента, IEEE CIG 2017 [Paper].

Мост

• Повышение искусственного интеллекта моста, ICTAI 2017 [Paper].

Идти

• Освоение игры Go Bood Hean Знания, Nature 2017 [Paper].
• Освоение игры Go с глубокими нейронными сетями и поиском деревьев, Nature 2016 [Paper].
• Поиск временного распада в компьютере Go, Machine Learning, 2012 [Paper].
• Поиск дерева Монте-Карло и оценка быстрого значения действия в компьютере GO, Artificial Intelligence, 2011 [Paper].
• Вычисление «рейтинги ELO» шаблонов движения в игре Go, ICGA Journal, 2007 [Paper].

Starcraft

• Уровень Grandmaster в Starcraft II Используя многоагентное обучение подкреплению, Nature 2019 [Paper].
• О обучении подкрепления для полнометражного игры Starcraft, AAAI 2019 [Paper].
• Стабилизирующий опыт воспроизведения для глубокого многоагентного обучения подкреплению, ICML 2017 [Paper].
• Совместное обучение подкреплению для нескольких единиц боя в Starcraft, SSCI 2017 [Paper].
• Изучение макроманизации в Starcraft из повторных переполов с использованием глубокого обучения, CIG 2017 [Paper].
• Применение подкрепления обучения к мелкомасштабным бою в стратегической игре в реальном времени Starcraft: Broodwar, Cig 2012 [Paper].

Конференции и семинары

• Конференция IEEE по вычислительной интеллекту и играх (CIG)
• Семинар AAAI по обучению подкрепления в играх
• Соединение теории игр и глубокого обучения
• IJCAI 2018 Computer Games Workshop
• IEEE Conference On Games (COG)

Соревнования

• Международная ассоциация компьютерных игр (ICGA)
• Ежегодный конкурс компьютерного покера

Связанные списки

• Awesome Starcraft AI
• Потрясающее обучение глубоким подкреплением