| dc.contributor | Bernardino, Heder Soares | |
| dc.contributor | http://buscatextual.cnpq.br/buscatextual/busca.do | |
| dc.contributor | Fonseca, Leonardo Goliatt da | |
| dc.contributor | Silva, Eduardo Krempser da | |
| dc.contributor | http://buscatextual.cnpq.br/buscatextual/busca.do | |
| dc.creator | Souza, Felipe Rafael de | |
| dc.date | 2023-06-07T13:42:55Z | |
| dc.date | 2023-06-07 | |
| dc.date | 2023-06-07T13:42:55Z | |
| dc.date | 2023-03-15 | |
| dc.date.accessioned | 2023-09-29T15:01:06Z | |
| dc.date.available | 2023-09-29T15:01:06Z | |
| dc.identifier | https://repositorio.ufjf.br/jspui/handle/ufjf/15482 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/9123200 | |
| dc.description | Reinforcement Learning (RL) and Imitation Learning (IL) are branches of Artificial
Intelligence that enable learning through interaction with the environment and through
observation of examples, respectively. They have applications in several areas, such
as: autonomous vehicles, robot control and games. Games are widely used to test the
performance of Reinforcement Learning models, usually using deep neural networks, as
they provide a controlled environment capable of exposing the model to a wide variety of
problems and contexts. Thus, the present work aims to propose control models for the
game Sonic The Hedgehog using Imitation Learning and Deep Reinforcement Learning. In
addition, we seek to analyze the performance of imitation models based on adversarial
strategies, investigate the impact of imitation on the model’s behavior and performance,
and verify whether Imitation Learning can be a viable alternative to creating reward
functions. Experiments were carried out comparing different IL methods, in order to verify
if it would be able to generate good controllers for the game. Then, the IL methods of
behavioral cloning, Adversarial Generative Imitation Learning and Adversarial Inverse
Reinforcement Learning were used to start the RL, with the hypothesis that the prior
domain knowledge provided by imitation helps the model to achieve better results. The
obtained results showed that the IL can be used to generate digital game controllers and
that the initialization of the RL step with Imitation Learning can help the model to obtain
better performance. | |
| dc.description | O Aprendizado por Reforço (RL) e o Aprendizado por Imitação (IL) são ramos da
Inteligência Artificial que possibilitam o aprendizado através da interação com o ambiente e
através da observação de exemplos, respectivamente. Eles possuem aplicações em diversas
áreas, tais como: veículos autônomos, controle de robôs e jogos. Os jogos são amplamente
utilizados para testar o desempenho de modelos de Aprendizado por Reforço, geralmente
utilizando redes neurais profundas, pois proporcionam um ambiente controlado capaz
de expor o modelo à uma ampla variedade de problemas e contextos. Dessa forma, o
presente trabalho tem como objetivo propor modelos de controle para o jogo Sonic The
Hedgehog utilizando Aprendizado por Imitação e Aprendizado por Reforço Profundo. Além
disso, busca-se analisar o desempenho de modelos de imitação baseados em estratégias
adversariais, investigar o impacto da imitação no comportamento e desempenho do modelo,
e verificar se o Aprendizado por Imitação pode ser uma alternativa viável à criação de
funções de recompensa. Foram realizados experimentos comparando diversos métodos
de IL, a fim de verificar se o mesmo seria capaz de gerar bons controladores para o
jogo. Em seguida, os métodos de IL de clonagem comportamental, Aprendizado por
Imitação Generativo Adversarial e Aprendizado por Reforço Inverso Adversarial foram
utilizados para iniciar o RL, com a hipótese de que o conhecimento prévio de domínio
disponibilizado pela imitação auxilie o modelo a atingir melhores resultados. Os resultados
obtidos mostraram que o IL pode ser utilizado para gerar controladores de jogos digitais e
que a inicialização da etapa de RL com o Aprendizado por Imitação pode ajudar o modelo
a obter melhor desempenho. | |
| dc.format | application/pdf | |
| dc.language | por | |
| dc.publisher | Universidade Federal de Juiz de Fora (UFJF) | |
| dc.publisher | Brasil | |
| dc.publisher | ICE – Instituto de Ciências Exatas | |
| dc.publisher | Programa de Pós-graduação em Modelagem Computacional | |
| dc.publisher | UFJF | |
| dc.rights | Acesso Aberto | |
| dc.rights | Attribution 3.0 Brazil | |
| dc.rights | http://creativecommons.org/licenses/by/3.0/br/ | |
| dc.subject | Aprendizado por reforço profundo | |
| dc.subject | Redes neurais convolucionais | |
| dc.subject | Redes neurais adversariais | |
| dc.subject | Aprendizado por imitação | |
| dc.subject | Aprendizado por reforço inverso | |
| dc.subject | Otimização de política proximal | |
| dc.subject | Deep reinforcement learning | |
| dc.subject | Convolutional neural networks | |
| dc.subject | Adversarial neural networks | |
| dc.subject | Imitation learning | |
| dc.subject | Inverse reinforcement learning | |
| dc.subject | Proximal policy optimization | |
| dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA | |
| dc.title | Aprendizado por reforço assistido por imitação para jogos digitais | |
| dc.type | Dissertação | |
