|
|
Deep Learning AI in Game Environments
Glós, Kristián ; Bobák, Petr (oponent) ; Polášek, Tomáš (vedoucí práce)
This thesis is focused on analysing deep learning algorithms and their ability to complete given tasks implemented in game environments created via the Unity game engine. Secondary objective was to research and specify possible use-cases of deep learning during game development. The algorithms used fall into Reinforcement learning, Imitation learning and Neuroevolution, while Reinforcement learning was used throughout the whole game scene development cycle. Analysis and results were collected through training the networks in different game scene states and other factors.
|
|
|
Trénování inteligentních agentů v enginu Unity
Vaculík, Jan ; Chlubna, Tomáš (oponent) ; Matýšek, Michal (vedoucí práce)
Cílem práce je navrhnout aplikace, které demonstrují sílu strojového učení pro tvorbu umělé inteligence ve videohrách. K řešení této problematiky je použita sada nástrojů ML-Agents, která umožňuje tvorbu inteligentních agentů v enginu Unity. Jednotlivé demonstrační aplikace jsou zaměřeny na různé scénáře využití této sady. Pro trénování je použito zpětnovazební a imitační učení.
|
|
|
Trénování inteligentních agentů v enginu Unity
Vaculík, Jan ; Chlubna, Tomáš (oponent) ; Matýšek, Michal (vedoucí práce)
Cílem práce je navrhnout aplikace, které demonstrují sílu strojového učení pro tvorbu umělé inteligence ve videohrách. K řešení této problematiky je použita sada nástrojů ML-Agents, která umožňuje tvorbu inteligentních agentů v enginu Unity. Jednotlivé demonstrační aplikace jsou zaměřeny na různé scénáře využití této sady. Pro trénování je použito zpětnovazební a imitační učení.
|
|
|
Deep Learning AI in Game Environments
Glós, Kristián ; Bobák, Petr (oponent) ; Polášek, Tomáš (vedoucí práce)
This thesis is focused on analysing deep learning algorithms and their ability to complete given tasks implemented in game environments created via the Unity game engine. Secondary objective was to research and specify possible use-cases of deep learning during game development. The algorithms used fall into Reinforcement learning, Imitation learning and Neuroevolution, while Reinforcement learning was used throughout the whole game scene development cycle. Analysis and results were collected through training the networks in different game scene states and other factors.
|
|
| |
host ::
RSS.