本文主要是介绍Unity拥抱AI:用机器学习训练NPC、机器人、模拟自动驾驶,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
在李世石和柯洁战败后,人类在棋类竞技场已经难与AI争锋。很多人会说,作为非职业棋类选手,不在乎下不下的赢棋。想一想,要是以后打游戏也赢不了AI了……
这件事情已经发生了,且还在加速。雷锋网曾报道,2017年9月,Open AI的DotA 2游戏人工智能在1V1中击败了人类玩家。
同年9月,全球最大的3D游戏引擎Unity宣布发布Unity Machine Learning Agents(ML-Agents),一款提供给游戏开发者的开源AI工具包。Unity这一开源工具包是Unity将机器学习应用在游戏的成果,AI已经附能各行各业,那么在游戏行业,会带来哪些有趣的成果?
5月11-13日,Unite Beijing 2018在国家会议中心召开。Unity AI与机器学习副总裁Danny Lange分享了ML-Agents的新进展,雷锋网也来到了现场。
ML-Agents助力游戏开发
Lange介绍到,机器学习对于游戏开发来说很重要,能够让游戏开发过程更加简单,让游戏变得更加有吸引力,开发者可以不用每一个方案都编程,游戏与玩家的互动变化可以让系统自己学习。就像人从环境当中感知,并作出反应一样。ML-Agents可以以相同的方式来训练这些系统。
Lange给大家演示了一个Demo,未来主义的赛车游戏,Demo中左边是人类,然后右边是机器学习的Agent。一开始的时候,Agent转弯不好,容易装车,但是它慢慢学习人类的操作,大概25分钟的训练之后,你可以看到可能还是有点不稳,但是不会再撞车了。经过不断的训练,Agent能编程非常好的选手。
那么,具体游戏场景中,可以有以下应用:机器学习可以应用在几个方面。第一个是创建NPC,有多种行为的NPC, NPC已经学习了很多人类行为,这会让与人类的交互更为自然。第二个是游戏本身。AI能够为优化玩家的乐趣进行学习,而不是为开发者的乐趣而进行优化。对于玩家来说,会有更多个性化和定制化的东西。第三个是一个完全不同的领域,就是我们用机器学习在游戏发布前测试游戏。确保使用agent代替人类玩家进行游戏时,你能够了解游戏是否能顺利进行。
此外,在游戏中如果人类玩家数量很少,就可以用agent代替人类玩家。最后一个方面是match making。使用机器学习可以将合适的玩家找出来,匹配在一起玩游戏。可以让机器学习系统了解如何优化游戏时间、为玩家配对以及如何最大化利用游戏时间。
(由Unity创建的一个网球游戏RL/ML模拟训练环境示例)
ML-Agents训练自动驾驶、机器人
从两年多前,Unity就开始酝酿转型,从一家纯引擎提供商转向互联网+云增值服务。Danny Lange是Unity发力AI领域的背后推手,在加入Unity之前,Lange曾担任Uber机器学习负责人,在更早之前,Lange还负责过亚马逊和微软的机器学习产品研发。
除了游戏以外,ML-Agents在自动驾驶和机器人领域还有很多应用场景。Lange介绍到,自动驾驶是ML-Agents很大的应用领域,因为这样就不需要像Uber那样在真实的路上驾驶,用机器学习模拟就可以避免在真实道路测试带来的事故。另外一个领域是机器人,用增强型学习,你可以在虚拟环境去训练机器人,可以很快地完成几十万或者几百万次训练。训练好的模型可以放到真实的机器人上面应用。
此外,ML-Agents也可以应用在建筑设计中,比如要如何合理设计通道、人流,用机器学习的方式去模拟建筑内的路线图。
原文发布时间为:2018-05-22
本文作者:李诗
本文来自云栖社区合作伙伴“雷锋网”,了解相关信息可以关注“雷锋网”。
这篇关于Unity拥抱AI:用机器学习训练NPC、机器人、模拟自动驾驶的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!