
创建智能游戏体验
创建具有响应能力的智能虚拟玩家以及非玩家游戏角色非常困难。尤其是当游戏比较复杂时。为了创建智能行为,开发者不得不编写大量代码或借助高度专业化的工具。
使用 Unity Machine Learning Agents (ML-Agents),您不再需要“编码”紧急行为,而是通过深度强化学习 和模仿学习相结合的方式教授智能代理“学习”。使用 ML-Agents 可让开发者创建更引人入胜的游戏玩法并增强游戏体验。

创建逼真、复杂的 AI 环境来训练模型
人工智能 (AI) 研究的进步取决于使用当前用于训练 AI 模型的基准解决现有环境中的难题。但是,随着这些难题的“解决”,出现了对新环境的需求。但是,创建这样的环境通常极为耗时,并且需要具备专门的领域知识。
使用 Unity 和 ML-Agents 工具包,您可以创建物理、视觉和认知丰富的 AI 环境。您可以将它们用于基准测试以及研究新的算法和方法。

需要扩大训练范围?
ML-Agents 云产品将于今年晚些时候面世,这将让 ML-Agents 用户能够在可扩展的云基础设施上进行训练。借助该云产品,您将能够提交许多并发训练会话,或轻松地在多个计算机上扩展训练会话,以更快地获得结果。
如果您当前正在使用 ML-Agents,并且需要扩展和管理实验方面的帮助,请注册获取预览访问权限。

加快 JamCity Snoopy Pop 训练速度
我们与 JamCity 合作,为其泡泡龙游戏《Snoopy Pop》训练了一个代理。训练代理来玩 Snoopy Pop 的挑战之一是需要分析大量的游戏数据来学习有效的行为和策略。此外,大多数开发中的游戏都在不断发展,因此训练时间必须足够短。为了解决上述难题,我们引入了 ML-Agents 中的各种功能,例如异步环境、生成对抗式模仿学习 (GAIL) 和软评价器。
观看以下 ML-Agents 视频
在 Unity 中使用机器学习实现卡丁车赛车游戏!(教程)
了解如何在 Unity 的卡丁车赛车游戏项目中实施 Unity 的机器学习工具包 ML-Agents。强化学习通过射线投射探查对象和转向避开障碍物,以训练 AI 代理自主地绕赛道行驶。
AI 学习泊车
AI 通过使用 Unity ML-Agents 实现的 3D 物理模拟学习如何将车停放到停车场。该 AI 包含一个深层神经网络,网络具有三个隐藏层,每层包含 128 个神经元。通过强化学习方法 proximal policy optimization (PPO) 算法对其进行训练。
AI 学习控制火箭着陆
在该项目中,使用 Unity Physics 对神经网络进行训练,使其能够将火箭降落到平台上。借助 PyTorch 使用 proximal policy optimization (PPO) 进行训练,并在 Google Cloud 上运行。训练花费约 1500 万步。
卫星 AI
该项目采用 ML-Agents 稳定卫星在一个轴向的旋转。AI 控制两个可打开或关闭的卫星引擎。会话从旋转卫星开始。ML-Agents 用了两个小时完成稳定卫星、停止旋转和校准其位置的目标。
加入社区
提出问题、找到答案并与其他 Unity ML-Agents 专家和实验人员(包括 Unity 员工)联系。
支持问题
在我们的 Github 页面上提交支持问题
有复杂的场景?
联系我们 - ml-agents@unity3d.com