20.500.12556/RUL-149699 Uporaba predvidevanja akcij nasprotnika pri učenju inteligentnega agenta Usage of opponent action prediction in reinforcement learning 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. 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. inteligentni agent spodbujevano učenje modeliranje nasprotnika globoko q-učenje raziskovanje okolja na podlagi radovednosti unreal engine intelligent agent reinforcement learning opponent modeling deep q-learning curiosity-driven exploration unreal engine true false false Slovenski jezik Angleški jezik Diplomsko delo/naloga 2023-09-08 11:30:14 2023-09-08 11:30:17 2023-09-27 09:32:55 0000-00-00 00:00:00 2023 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 36629 165939203 Sutar_Matic_-_Uporaba_predvidevanja_akcij_nasprotnika_pri_ucenju_inteligentnega_agenta.pdf Sutar_Matic_-_Uporaba_predvidevanja_akcij_nasprotnika_pri_ucenju_inteligentnega_agenta.pdf 1 1D670AB09EA8E40DCD7C2A8680C9561E 11ac922f47a3710af41b25f7880adda163f62883e93661ab1c3a8f78498510e4 525d9635-4e2a-11ee-9323-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=174198 Fakulteta za računalništvo in informatiko 0 0 0