Playing FPS Games with Deep Reinforcement Learning
2018-02-26 14:53
507 查看
论文不同点:
(1)用两套网络分别实现移动和射击。
(2)使用LSTM来处理不完全信息。
疑问:
(1)为什么对于射击使用RNN,对导航却没有使用RNN。一般来说,当我们看见视野里面有敌人的时候,我们可以立即进行射击,似乎不太需要长久的历史信息,再官方给出的视频中,我也没发现RNN有什么好处。另一方面,倒是导航应该使用RNN,对于非完全信息来说,bot只根据当前的画面并不能判断自身的位置和已经走过的路径,加入历史信息才能帮助bot建立长久的移动策略。
该论文没有考虑的地方:
(1)没有环顾四周探测敌人和物资的策略。
(2)没有训练上下视角移动的策略,没法精确射击敌人,没法处理有阶梯的情况。
(1)用两套网络分别实现移动和射击。
(2)使用LSTM来处理不完全信息。
疑问:
(1)为什么对于射击使用RNN,对导航却没有使用RNN。一般来说,当我们看见视野里面有敌人的时候,我们可以立即进行射击,似乎不太需要长久的历史信息,再官方给出的视频中,我也没发现RNN有什么好处。另一方面,倒是导航应该使用RNN,对于非完全信息来说,bot只根据当前的画面并不能判断自身的位置和已经走过的路径,加入历史信息才能帮助bot建立长久的移动策略。
该论文没有考虑的地方:
(1)没有环顾四周探测敌人和物资的策略。
(2)没有训练上下视角移动的策略,没法精确射击敌人,没法处理有阶梯的情况。
相关文章推荐
- (转) Playing FPS games with deep reinforcement learning
- Paper Reading 1 - Playing Atari with Deep Reinforcement Learning
- Deep Q-Network,NIPS-2013:Playing Atari with Deep Reinforcement Learning
- Playing Atari with Deep Reinforcement Learning
- 论文笔记之:Playing Atari with Deep Reinforcement Learning
- Playing Atari with Deep Reinforcement Learning算法解读
- Playing Atari with Deep Reinforcement Learning
- Paper Reading - Playing Atari with Deep Reinforcement Learning
- Learning to Track at 100 FPS with Deep Regression Networks 论文理解及应用笔记(一)
- (转) Deep Reinforcement Learning: Playing a Racing Game
- Tartu大学计算机科学系计算神经学小组的学者在robohub网站发表文章,阐述了他们对DeepMind人工智能算法的复现。Playing Atari with Deep Reinforcement.
- 计算机视觉之目标跟踪——论文Learning to Track at 100 FPS with Deep Regression Networks
- Learning to Track at 100 FPS with Deep Regression Networks 论文理解及应用笔记(二)
- 目标跟踪之GOTURN:Learning to Track at 100 FPS with Deep Regression Networks
- Continuous control with deep reinforcement learning
- Continuous control with deep reinforcement learning(DDPG,深度确定策略梯度)练习
- Continuous control with Deep Reinforcement Learning
- 解读continuous control with deep reinforcement learning(DDPG)
- Continuous control with Deep Reinforcement Learning与DDPG(Deep Deterministic Policy Gradient)的理解
- Incentivizing exploration in reinforcement learning with deep predictive models