Implementation and evaluation of a virtual computer game agent with neural networks

The challenges of applying reinforcement learning to modern AI applications are interesting, particularly in unknown environments in which there are delayed rewards. Classic arcade games have garnered considerable interest recently as a test bed for these kinds of algorithms. The purpose of this the...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής
Κύριος συγγραφέας:	Κοντοθανάσης, Ιωάννης
Άλλοι συγγραφείς:	Kontothanasisis, Ioannis
Γλώσσα:	English
Έκδοση:	2022
Θέματα:	Reinforcement learning Neural networks Atari breakout Ενισχυτική μάθηση Νευρωνικά δίκτυα
Διαθέσιμο Online:	https://hdl.handle.net/10889/23468

id	nemertes-10889-23468
record_format	dspace
spelling	nemertes-10889-234682022-10-26T03:34:20Z Implementation and evaluation of a virtual computer game agent with neural networks Υλοποίηση και αξιολόγηση εικονικού παίκτη ηλεκτρονικών παιχνιδιών με τεχνητά νευρωνικά δίκτυα Κοντοθανάσης, Ιωάννης Kontothanasisis, Ioannis Reinforcement learning Neural networks Atari breakout Ενισχυτική μάθηση Νευρωνικά δίκτυα The challenges of applying reinforcement learning to modern AI applications are interesting, particularly in unknown environments in which there are delayed rewards. Classic arcade games have garnered considerable interest recently as a test bed for these kinds of algorithms. The purpose of this thesis is to create a model that can learn policies and optimal behaviors by interacting with the environment. The model is a convolutional neural network, trained with a variant of Q-learning, whose input is raw pixels and whose output is a value function estimating future rewards. This model is applied to the Atari game Breakout from the Arcade Learning Environment with no adjustment of the architecture or learning algorithm. The agent learns to play in an advanced level the Atari Breakout game. Οι προκλήσεις της εφαρμογής της ενισχυτικής μάθησης σε σύγχρονες εφαρμογές τεχνητής νοημοσύνης είναι ενδιαφέρουσες, ιδιαίτερα σε άγνωστα περιβάλλοντα στα οποία υπάρχουν καθυστερημένες ανταμοιβές. Τα κλασικά παιχνίδια arcade έχουν συγκεντρώσει σημαντικό ενδιαφέρον πρόσφατα ως δοκιμαστικό κρεβάτι για τέτοιου είδους αλγόριθμους. Σκοπός αυτής της διπλωματικής εργασίας είναι η δημιουργία ενός μοντέλου που μπορεί να μάθει πολιτικές και βέλτιστες συμπεριφορές αλληλεπιδρώντας με το περιβάλλον. Το μοντέλο είναι ένα συνελικτικό νευρωνικό δίκτυο, εκπαιδευμένο με μια παραλλαγή Q-learning, του οποίου η είσοδος είναι ακατέργαστα pixel και του οποίου η έξοδος είναι μια συνάρτηση τιμής που εκτιμά τις μελλοντικές ανταμοιβές. Αυτό το μοντέλο εφαρμόζεται στο παιχνίδι Atari Breakout από το Arcade Learning Environment χωρίς προσαρμογή της αρχιτεκτονικής ή του αλγόριθμου εκμάθησης. Ο πράκτορας μαθαίνει να παίζει σε προχωρημένο επίπεδο το παιχνίδι Atari Breakout. 2022-10-19T13:26:00Z 2022-10-19T13:26:00Z 2022-10-20 https://hdl.handle.net/10889/23468 en application/pdf
institution	UPatras
collection	Nemertes
language	English
topic	Reinforcement learning Neural networks Atari breakout Ενισχυτική μάθηση Νευρωνικά δίκτυα
spellingShingle	Reinforcement learning Neural networks Atari breakout Ενισχυτική μάθηση Νευρωνικά δίκτυα Κοντοθανάσης, Ιωάννης Implementation and evaluation of a virtual computer game agent with neural networks
description	The challenges of applying reinforcement learning to modern AI applications are interesting, particularly in unknown environments in which there are delayed rewards. Classic arcade games have garnered considerable interest recently as a test bed for these kinds of algorithms. The purpose of this thesis is to create a model that can learn policies and optimal behaviors by interacting with the environment. The model is a convolutional neural network, trained with a variant of Q-learning, whose input is raw pixels and whose output is a value function estimating future rewards. This model is applied to the Atari game Breakout from the Arcade Learning Environment with no adjustment of the architecture or learning algorithm. The agent learns to play in an advanced level the Atari Breakout game.
author2	Kontothanasisis, Ioannis
author_facet	Kontothanasisis, Ioannis Κοντοθανάσης, Ιωάννης
author	Κοντοθανάσης, Ιωάννης
author_sort	Κοντοθανάσης, Ιωάννης
title	Implementation and evaluation of a virtual computer game agent with neural networks
title_short	Implementation and evaluation of a virtual computer game agent with neural networks
title_full	Implementation and evaluation of a virtual computer game agent with neural networks
title_fullStr	Implementation and evaluation of a virtual computer game agent with neural networks
title_full_unstemmed	Implementation and evaluation of a virtual computer game agent with neural networks
title_sort	implementation and evaluation of a virtual computer game agent with neural networks
publishDate	2022
url	https://hdl.handle.net/10889/23468
work_keys_str_mv	AT kontothanasēsiōannēs implementationandevaluationofavirtualcomputergameagentwithneuralnetworks AT kontothanasēsiōannēs ylopoiēsēkaiaxiologēsēeikonikoupaiktēēlektronikōnpaichnidiōnmetechnētaneurōnikadiktya
_version_	1771297172594098176

Implementation and evaluation of a virtual computer game agent with neural networks

Παρόμοια τεκμήρια