Uporaba predvidevanja akcij nasprotnika pri učenju inteligentnega agenta

ŠUTAR, MATIC (avtor), Lebar Bajec, Iztok (mentor)

V diplomskem delu so predstavljeni glavni koncepti strojnega učenja s poudarkom na spodbujevanem učenju. Osredotoča se na probleme z okolji, v katerih nastopa več agentov. Taki problemi metodam spodbujevanega učenja prestavljajo dodatne izzive. Diplomsko delo raziskuje različne načine reševanja problemov z več agenti. Predstavlja obstoječe rešitve, ki uporabljajo predvidevanje akcij nasprotnika pri učenju inteligentnega agenta. V diplomskem delu je podrobneje predstavljena metoda DRON, ki je zasnovana na osnovi globokega q-učenja. Primerjana je z osnovno metodo globokega q-učenja na izbranem okolju. V delu je predstavljena in primerjana tudi razširitev metode raziskovanja, ki temelji na radovednosti, na okolje z več agenti. Okolje je bilo implementirano v igralnem pogonu Unreal Engine 5. Predstavljena metoda raziskovanja se na koncu ni izkazala za opazno uspešnejšo od osnovne metode raziskovanja. Po drugi strani je uporaba arhitekture DRON v kombinaciji z osnovno metodo globokega q-učenja kazala na potencialno izboljšanje osnovne metode. Za konkretnejše zaključke bi morali izvesti dodatne poskuse.

• Jezik: Slovenski jezik
• Ključne besede: inteligentni agent, spodbujevano učenje, modeliranje nasprotnika, globoko q-učenje, raziskovanje okolja na podlagi radovednosti, unreal engine
• Vrsta gradiva: Diplomsko delo/naloga
• Tipologija: 2.11 - Diplomsko delo
• Organizacija: FRI - Fakulteta za računalništvo in informatiko
• Leto izida: 2023
• PID: 20.500.12556/RUL-149699
• COBISS.SI-ID: 165939203
• Datum objave v RUL: 08.09.2023

ŠUTAR, MATIC, 2023, Uporaba predvidevanja akcij nasprotnika pri učenju inteligentnega agenta [na spletu]. Diplomsko delo. [Dostopano 4 maj 2025]. Pridobljeno s: https://repozitorij.uni-lj.si/IzpisGradiva.php?lang=slv&id=149699

Sekundarni jezik

• Jezik: Angleški jezik
• Naslov: Usage of opponent action prediction in reinforcement learning

Izvleček

The main concepts of machine learning are presented in the thesis with an emphasis on reinforcement learning. The latter area also covers problems with multi-agent environments. Such problems pose additional challenges to the methods of reinforcement learning. The thesis explores various ways to solve multi-agent problems, using prediction of adversary actions in intelligent agent learning. In the diploma work, the DRON method, which is designed on the basis of deep q-learning, is presented in more detail. It is compared with the basic method of deep q-learning on the selected environment. The work also presents and compares the extension of curiosity-driven exploration methods to a multi-agent environment. The environment was implemented in the game engine Unreal Engine 5. In the end, the presented exploration method did not prove to be noticeably more successful than the basic exploration method. On the other hand, the use of the DRON architecture in combination with the basic deep q-learning method indicated a potential improvement of the basic method. For more concrete conclusions, additional experiments should be carried out.

• Ključne besede: intelligent agent, reinforcement learning, opponent modeling, deep q-learning, curiosity-driven exploration, unreal engine