Генеративная симуляция игрового окружения в реальном времени
Main Article Content
Аннотация
Рассмотрены возможности генеративных нейросетевых симуляций с фокусом на применении методов обучения с подкреплением и нейросетевых мировых моделей для создания интерактивных миров. Описаны ключевые достижения в области обучения агентов с использованием обучения с подкреплением. Особое внимание уделено нейросетевым моделям мира, а также генеративным моделям, таким как Oasis, DIAMOND, Genie и GameNGen, использующим диффузионные сети для создания реалистичных и интерактивных игровых миров. Рассмотрены возможности и ограничения моделей генеративных симуляций, такие как проблемы с аккумуляцией ошибки и ограничениями памяти, а также их влияние на качество генерации. В заключении названы темы дальнейших исследований.
Article Details
Библиографические ссылки
2. Mnih V. et al. Human-level control through deep reinforcement learning // Nature. 2015. Vol. 518. No. 7540. P. 529–533.
3. Silver D. et al. Mastering the game of go without human knowledge // Nature. 2017. Vol. 550. No. 7676. P. 354–359.
4. Silver D. et al. Mastering the game of Go with deep neural networks and tree search // Nature. 2016. Vol. 529. No. 7587. P. 484–489.
5. Vinyals O. et al. Grandmaster level in StarCraft II using multi-agent reinforcement learning // Nature. 2019. Vol. 575. No. 7782. P. 350–354.
6. Berner C. et al. Dota 2 with large scale deep reinforcement learning // arXiv preprint arXiv:1912.06680. 2019.
7. Сахибгареева Г.Ф., Кугуракова В.В., Большаков Э.С. Инструменты балансирования игр // Электронные библиотеки. 2023. Т. 26. No. 2. С. 225–251.
8. Rani G. et al. A deep reinforcement learning technique for bug detection in video games // International Journal of Information Technology. 2023. Т. 15. No.. 1. С. 355–367.
9. Wiering M.A., Van Otterlo M. Reinforcement learning // Adaptation, learning, and optimization. 2012. Vol. 12. No. 3. P. 729.
10. Майн Х., Осаки С. Марковские процессы принятия решений. 1977.
11. Spaan M.T.J. Partially observable Markov decision processes. //Reinforcement learning: State-of-the-art. Berlin, Heidelberg: Springer Berlin Heidelberg. 2012. P. 387–414.
12. Cai Q. et al. A survey on deep reinforcement learning for data processing and analytics // IEEE Transactions on Knowledge and Data Engineering. 2022. Vol. 35. No. 5. P. 4446–4465.
13. Moerland T.M. et al. Model-based reinforcement learning: A survey //Foundations and Trends in Machine Learning. 2023. Vol. 16. No. 1. P. 1–118.
14. Ha D., Schmidhuber J. World models // arXiv preprint arXiv:1803.10122. 2018.
15. Pinheiro Cinelli L. et al. Variational autoencoder // Variational methods for machine learning with applications to deep networks. Cham: Springer International Publishing. 2021. P. 111–149.
16. Hafner D. et al. Learning latent dynamics for planning from pixels // International conference on machine learning. PMLR. 2019. P. 2555–2565.
17. Micheli V., Alonso E., Fleuret F. Transformers are sample-efficient world models // arXiv preprint arXiv:2209.00588. 2022.
18. Kaiser L. et al. Model-based reinforcement learning for Atari // arXiv preprint arXiv:1903.00374. 2019.
19. Vaswani A. et al. Attention is all you need // Advances in neural information processing systems. 2017. Vol. 30.
20. Ye W. et al. Mastering Atari games with limited data // Advances in neural information processing systems. 2021. Vol. 34. P. 25476–25488.
21. Alonso E. et al. Diffusion for world modeling: Visual details matter in Atari // Advances in Neural Information Processing Systems. 2024. Vol. 37. P. 58757–58791.
22. Ho J., Jain A., Abbeel P. Denoising diffusion probabilistic models // Advances in neural information processing systems. 2020. Vol. 33. P. 6840–6851.
23. Karras T. et al. Elucidating the design space of diffusion-based generative models // Advances in neural information processing systems. 2022. Vol. 35. P. 26565–26577.
24. Pearce T., Zhu J. Counter-strike deathmatch with large-scale behavioural cloning // 2022 IEEE Conference on Games (CoG). IEEE, 2022. P. 104–111.
25. Bruce J. et al. Genie: Generative interactive environments // Forty-first International Conference on Machine Learning. 2024.
26. Xu M. et al. Spatial-temporal transformer networks for traffic flow forecasting //arXiv preprint arXiv:2001.02908. 2020.
27. Dosovitskiy A. et al. An image is worth 16x16 words: Transformers for image recognition at scale // arXiv preprint arXiv:2010.11929. 2020.
28. Valevski D. et al. Diffusion models are real-time game engines // The Thirteenth International Conference on Learning Representations. 2024.
29. Rombach R. et al. High-resolution image synthesis with latent diffusion models // Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2022. P. 10684–10695.
30. Yu H. et al. Uncovering the text embedding in text-to-image diffusion models // arXiv preprint arXiv:2404.01154. 2024.
31. Zhang R. et al. The unreasonable effectiveness of deep features as a perceptual metric // Proceedings of the IEEE conference on computer vision and pattern recognition. 2018. P. 586–595.
32. Decart E. et al. Oasis: A universe in a transformer. URL: https://oasis-model.github.io/
33. Choi B., Jeong J. ViV-Ano: Anomaly detection and localization combining vision transformer and variational autoencoder in the manufacturing process // Electronics. 2022. Vol. 11. No. 15. P. 2306.
34. Pasini M. et al. Continuous autoregressive models with noise augmentation avoid error accumulation // arXiv preprint arXiv:2411.18447. 2024.
35. Parker-Holder J. et al. Genie 2: A Large-Scale Foundation World Model. URL: https://deepmind.google/discover/blog/genie-2-a-large-scale-foundation-world-model/
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Представляя статьи для публикации в журнале «Электронные библиотеки», авторы автоматически дают согласие предоставить ограниченную лицензию на использование материалов Казанскому (Приволжскому) федеральному университету (КФУ) (разумеется, лишь в том случае, если статья будет принята к публикации). Это означает, что КФУ имеет право опубликовать статью в ближайшем выпуске журнала (на веб-сайте или в печатной форме), а также переиздавать эту статью на архивных компакт-дисках журнала или включить в ту или иную информационную систему или базу данных, производимую КФУ.
Все авторские материалы размещены в журнале «Электронные библиотеки» с ведома авторов. В случае, если у кого-либо из авторов есть возражения против публикации его материалов на данном сайте, материал может быть снят при условии уведомления редакции журнала в письменной форме.
Документы, изданные в журнале «Электронные библиотеки», защищены законодательством об авторских правах, и все авторские права сохраняются за авторами. Авторы самостоятельно следят за соблюдением своих прав на воспроизводство или перевод их работ, опубликованных в журнале. Если материал, опубликованный в журнале «Электронные библиотеки», с разрешения автора переиздается другим издателем или переводится на другой язык, то ссылка на оригинальную публикацию обязательна.
Передавая статьи для опубликования в журнале «Электронные библиотеки», авторы должны принимать в расчет, что публикации в интернете, с одной стороны, предоставляют уникальные возможности доступа к их материалам, но, с другой, являются новой формой обмена информацией в глобальном информационном обществе, где авторы и издатели пока не всегда обеспечены защитой от неправомочного копирования или иного использования материалов, защищенных авторским правом.
При использовании материалов из журнала обязательна ссылка на URL: http://rdl-journal.ru. Любые изменения, дополнения или редактирования авторского текста недопустимы. Копирование отдельных фрагментов статей из журнала разрешается для научных исследований, персонального использования, коммерческого использования до тех пор, пока есть ссылка на оригинальную статью.
Запросы на право переиздания или использования любых материалов, опубликованных в журнале «Электронные библиотеки», следует направлять главному редактору Елизарову А.М. по адресу: amelizarov@gmail.com
Издатели журнала «Электронные библиотеки» не несут ответственности за точки зрения, излагаемые в публикуемых авторских статьях.
Предлагаем авторам статей загрузить с этой страницы, подписать и выслать в адрес издателя журнала по электронной почте скан Авторского договора о передаче неисключительных прав на использование произведения.