FPS遊戲AI競賽結果公布：CMU和清華團隊分別獲冠亞軍

機器之心報道

參與：李亞洲、蔣思源

近日，著名的 FPS 遊戲毀滅戰士（DOOM）人工智慧競賽宣布了比賽結果。Marvin 團隊和 CMU 的 Terminators 團隊分別獲得 ViZDoom 2017 競賽 Track 1 和 Track 2 任務的冠軍。初次參賽的清華團隊 TSAIL 以微弱劣勢獲得了 Track 2 任務的亞軍。機器之心對本次的比賽結果進行了簡介。

在正式介紹 Doom 遊戲和 ViZDoom 競賽前，我們先要明確這些智能體和大家常見的遊戲內置 Bot 有本質的區別。因為星際爭霸 2 和 Dota2 的報道中，很多讀者並不太清楚使用 AI 開發的 Bot 和我們常見的遊戲 Bot 有什麼區別。我們常見的遊戲內置 Bot 需要獲取遊戲內部數據來獲得不對稱優勢，對於這些 Bot 來說，整個遊戲所有的信息都是已知的。而基於強化學習開發的智能體在遊戲中獲得的信息和人是相同的，它們需要探索地圖、計劃發展以及判斷畫面出現的元素並進行及時的行動。

毀滅戰士系列（Doom），是由 id Software 開發的第一人稱射擊電子遊戲系列。本系列以一個宇宙軍人為題材，他為了存活下來而與怪物及殭屍戰鬥。該遊戲可以說是第一人稱射擊遊戲的開拓者，AI 在遊戲中只能獲得畫面信息而沒有聲音信息，因此這些基於強化學習的 Bot 獲得的信息比人類還少。

ViZDoom 是基於 Doom 遊戲的人工智慧研究平台，該平台主要是為了研究能獲取原始視覺信息的強化學習。該平台僅允許人工智慧 Bot 使用屏幕圖像信息進行對戰。VizDoom 主要針對的是機器視覺學習，特別是深度強化學習的研究。該平台還提供了很多教程和文檔以幫助研究者快速開發並測試自己的 Bot，教程和示例等請查看如下平台地址。

平台地址：http://vizdoom.cs.put.edu.pl/

2016 年發布的一篇論文《ViZDoom: A Doom-based AI Research Platform for Visual Reinforcement Learning》對該平台進行了詳細介紹。

摘要：深度神經網路最近的發展已經產生了基於視覺的高效強化學習方法，這些方法從像素數據中學習並在 Atari 2600 多的遊戲上獲得了人類水準的性能。然而這些遊戲因為只是使用非現實的 2D 環境和第三人稱視角，所以它們並沒有涉及到與現實類似的任務。現在，我們提出了一種新型的強化學習試驗平台，該平台可用於從半現實（semi-realistic）的 3D 世界中利用第一人稱視角獲取原始的視覺信息而進行強化學習研究。該平台我們稱之為 ViZDoom，即基於經典的第一人稱射擊遊戲 Doom 的強化學習研究平台。該平台允許研究者在只使用屏幕 Buffer 的情況下開發 Bot 進行對戰。ViZDoom 通過方便的的用戶自定義腳本提供輕量、快速和高度定製化的訓練。在試驗中，我們嘗試使用兩種情景學習 Bot 而測試該環境：基本的移動、射擊任務和更複雜的迷宮導航問題。對於這兩種情景，我們使用深度卷積神經網路和 Q 學習進行反覆的訓練而獲得了一個比較優秀的 Bot，該 Bot 展現出了類似人類的行為特徵。該試驗結果證實了 ViZDoom 作為 AI 研究平台的實用性，也表明了視覺強化學習在真實的 3D 第一人稱視角環境下是可行的。

ViZDoom 2017 競賽

一年一屆的 ViZDoom 競賽已經舉辦過一次，去年 Track 1 的冠軍是田淵棟和吳育昕的 F1 團隊（Facebook AI Research），Track 2 的冠軍是 IntelAct 團隊（Intel Labs）。但是去年的競賽並沒有達到較高的人類水準，所以該競賽還有很大的提升空間。參賽團隊可以使用 Python 或 Lua 語言提交一個智能體，該智能體將僅僅使用實時圖像信息進行對戰。

比賽任務分為 Track 1 和 Track 2。Track 1（已知地圖上的限制性死亡競賽）僅允許使用火箭炮對戰，智能體可以收集醫藥箱和護甲。Track 2（未知地圖上的無限制死亡競賽）可以使用不同的武器，並且 Bot 初始只有手槍，它們需要收集不同的武器、醫藥箱和護甲。Track 2 可以在提供的五張地圖上訓練，而最後的測試地圖是另外幾張未知的。

在公布的比賽結果中，Track 1 任務前三名分別為 Marvin、Terminators、Axon 團隊；Track 2 任務的前三名分別為 Terminators、TSAIL、InterACT 團隊。

Track 1 比賽結果

Track 2 比賽結果，從結果來看第一、第二名相差 2 分

據官網的比賽團隊介紹，Terminators 團隊由卡耐基梅隆大學的 Devendra Singh Chaplot 與 Guillaume Lample 組成。

TSAIL團隊由清華大學博士後 Dong Yan（導師為朱軍教授）等成員組成。

TSAIL 團隊成員

據了解，清華大學組成的 TSAIL 團隊第一次參加該競賽。在 Track 2 任務上，TSAIL 贏了 5 局，Terminators 贏了 5 局，總比分只相差了 2 分。

2016 年的競賽之後，CMU 團隊與 Facebook 的田淵棟團隊都發表了相應了的論文，對技術細節進行了介紹。期待本屆比賽獲勝團隊之後公布的技術內容。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！