Apprentissage par renforcement factorisé pour le comportement de personnages non joueurs - Archive ouverte HAL Accéder directement au contenu
Article Dans Une Revue Revue des Sciences et Technologies de l'Information - Série RIA : Revue d'Intelligence Artificielle Année : 2009

Apprentissage par renforcement factorisé pour le comportement de personnages non joueurs

Thomas Degris
  • Fonction : Auteur
Olivier Sigaud
Pierre-Henri Wuillemin

Résumé

Dans cet article, nous appliquons une méthode générale d'apprentissage par renforcement pour la mise au point automatique de comportements de personnages non joueurs d'un jeu vidéo de tir à la première personne, Counter-Strike©. Le résultat de l'apprentissage est un ensemble d'arbres de décision représentant de façon lisible un modèle du problème et la politique de décision des personnages. Enfin, nous discutons de la portée de notre méthode pour la réalisation d'architectures de décision pour les personnages non joueurs de jeux vidéo.
Fichier non déposé

Dates et versions

hal-01170353 , version 1 (01-07-2015)

Identifiants

  • HAL Id : hal-01170353 , version 1

Citer

Thomas Degris, Olivier Sigaud, Pierre-Henri Wuillemin. Apprentissage par renforcement factorisé pour le comportement de personnages non joueurs. Revue des Sciences et Technologies de l'Information - Série RIA : Revue d'Intelligence Artificielle, 2009, 23 (2-3), pp.221-251. ⟨hal-01170353⟩
54 Consultations
0 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More