Schaffen Sie eine intelligente Spielerfahrung
Es ist nicht einfach, reagierende und intelligente virtuelle Spieler und nicht spielbare Spielecharaktere zu erschaffen. Das gilt besonders dann, wenn das Spiel komplex ist. Um intelligentes Verhalten zu entwickeln, müssen Entwickler große Mengen an Code schreiben oder hochspezialisierte Tools einsetzen.
Mit Unity Machine-Learning-Agents (ML-Agents) müssen Sie nicht länger Code schreiben, um emergentes Verhalten zu erzeugen, vielmehr bringen Sie intelligenten Agents durch tiefgreifendes Verstärkungslernen und Imitationslernen Verhalten bei. Die Nutzung von ML-Agents ermöglicht es Entwicklern, überzeugenderes Gameplay und ein verbessertes Spielerlebnis zu entwickeln.
Erstellen Sie realistische und komplexe KI-Umgebungen zum Trainieren von Modellen
Die Fortschritte in der Erforschung künstlicher Intelligenz (KI) hängen davon ab, schwierige Probleme in vorhandenen Umgebungen mit aktuellen Benchmarks für das Trainieren von KI-Modellen zu lösen. Wenn diese Herausforderungen „gelöst” sind, entsteht aber der Bedarf nach neuartigen Umgebungen. Das Schaffen solcher Umgebungen ist allerdings häufig zeitaufwändig und erfordert spezielle Fachkenntnisse.
Mithilfe von Unity und dem ML-Agents-Toolkit können Sie KI-Umgebungen schaffen, die physisch, visuell und kognitiv reichhaltig sind. Sie können Sie für das Benchmarking genauso wie für das Erforschen neuer Algorithmen und Methoden nutzen.
Sie möchten Ihr Training skalieren?
Später in diesem Jahr wird ein Cloud-Angebot für ML-Agents verfügbar sein, mit dem Nutzer von ML-Agents in einer skalierbaren Cloud-Infrastruktur trainieren können. Dieses Angebot für die Cloud wird es Ihnen ermöglichen, gleichzeitig mehrere Trainingssitzungen oder eine Trainingssitzung über mehrere Maschinen hinweg durchzuführen, um auf diese Weise schnellere Ergebnisse zu erzielen.
Wenn Sie bereits ML-Agents nutzen und Hilfe beim Skalieren und Verwalten von Experimenten benötigen, registrieren Sie sich für einen Vorschau-Zugang.
Schnellere Trainingsgeschwindigkeit bei Snoopy Pop von JamCity
Wir haben mit JamCity zusammengearbeitet, um einen Agent für das Bubble-Shooter-Spiel „Snoopy Pop” zu trainieren. Eine der Herausforderungen beim Training eines Agents, der Snoopy Pop spielen soll, liegt in den umfangreichen Gameplay-Daten, die für ein effektives Verhalten und geeignete Strategien gelernt werden müssen. Darüber hinaus werden Spiele, die sich noch in der Entwicklung befinden, ständig erweitert, sodass das Training möglichst schnell erfolgen muss. Um diese Probleme zu lösen, haben wir für ML-Agents verschiedene Funktionen wie Asynchronous Environments, Generative Adversarial Imitation Learning (GAIL), und Soft Actor-Critic entwickelt.
Millionen von natürlich wirkenden, prozedural erzeugten Monstern
In Source of Madness, einem actiongeladenen Rouge-lite-Spiel, das vom Studio Carry Castle entwickelt wurde, durchqueren Sie eine sich ständig verändernde Welt und kämpfen bei jedem Durchlauf gegen prozedural neu erstellte Monster, die von einer leistungsstarken KI zum Leben erweckt werden, die Machine Learning nutzt.
Die Schaffung der gegnerischen Monster stellte das kleine Team vor einige Herausforderungen:
- Die Physik, die die Monster steuert, ist ungewöhnlich
- Es gibt Millionen von Monstervarianten.
- Die Monster mussten natürlich aussehen.
.
Mit dem ML-Agents-Toolkit – und insbesondere dem tiefgreifenden Verstärkungslernen – trainierte und erstellte das Team ein Modell für ein neuronales Netz, das das gewünschte Verhalten erzeugte. Mit der Unity Inference Engine konnte das Modell dann in das Spiel eingebettet werden.
Entdecken Sie diese Videos über ML-Agents
Machine Learning in Unity in einem Kartrennspiel (Tutorial)
Erfahren Sie, wie Sie das Toolkit für Machine Learning von Unity, ML-Agents, in das Kartrennspiel-Projekt von Unity implementieren können. Verstärkungslernen wird eingesetzt, um die KI-Agents selbstständig auf der Rennstrecke fahren zu lassen, indem Sie mit Raycasts quasi „sehen” und um Hindernisse herumsteuern können.
Intelligente Agents fliegen Flugzeuge
Dieses Projekt zeigt, wie Verstärkungslernen durch ML-Agents von Unity Flugzeugen das Fliegen beigebracht hat. Die Flugzeuge fliegen frei in der Luft und nutzen Raycast, um zu sehen. Dieses Projekt nutzt für das Training der Agents darüber hinaus Imitationslernen.
KI lernt das Fußballspielen
Zwei verschiedene künstliche neuronale Netze messen sich in einem einfachen Fußballspiel und verwenden tiefgreifendes Verstärkungslernen, um die neuronalen Netze zu trainieren. Das Fußballspiel ist im ML-Agents-Framework enthalten, das auf GitHub verfügbar ist.
KI lernt, ein Auto einzuparken
Eine KI lernt, in einer 3D-Physiksimulation, die mit ML-Agents von Unity implementiert wurde, ein Auto einzuparken. Die KI besteht aus einem tiefen neuronalen Netzwerk mit drei verborgenen Schichten mit jeweils 128 Neuronen. Sie wird mithilfe des „Proximal Policy Optimization”-Algorithmus (PPO), einem Ansatz zum Verstärkungslernen, trainiert.
Roboter zum Sammeln metallischer Abfälle
KI lernt ein Spiel mithilfe eines Xbox-Controllers zu spielen
Sehen Sie sich an, wie ein Videospiel gelernt hat, sich mit einem Gamepad, der Unity-Plattform und dem ML-Agents-Toolkit selbst zu spielen. Das Experiment fügt einem Szenario mit Verstärkungslernen Hardware hinzu.
KI lernt, eine Rakete zu landen
In diesem Projekt wird ein neuronales Netzwerk mithilfe von Unity Physics dafür trainiert, eine Rakete auf einer Plattform zu landen. Es wird mithilfe des „Proximal Policy Optimization”-Algorithmus (PPO) unter Verwendung von PyTorch trainiert und in der Google Cloud ausgeführt. Für das Training wurden ca. 15 Millionen Schritte benötigt.
Satelliten-KI
Dieses Projekt nutzt ML-Agents, um einen Satelliten zu stabilisieren, der um eine Achse rotiert. Die KI steuert zwei Motoren des Satelliten, die ein- oder ausgeschaltet werden können. Die Sitzung beginnt mit einem rotierenden Satelliten. ML-Agents benötigte zwei Stunden, um die Stabilisierung des Satelliten zu erreichen, d. h. die Rotation zu stoppen und die Position zu kalibrieren.
Verstecken/Flüchten – der Verfolgung durch einen Gegner entkommen
Dieses von Stealth-Spielen inspirierte Projekt wurde entwickelt, um einen Agent dafür zu trainieren, erfolgreich vor einer herkömmlichen KI zu flüchten, die von Raum zu Raum patrouilliert. Es wurde noch eine zweite Variante entwickelt, die curriculares Lernen verwendete, um gegen eine schnellere KI zu trainieren.
Gib mir mal die Butter!/Pfannkuchen-Bot
Das Ziel dieses Projekts war es, die Zubereitung des Frühstücks zu automatisieren. Mithilfe von Machine Learning schleudert ein Agent einen Pfannkuchen aus der Pfanne auf einen Teller, während ein Roboter Hindernissen ausweicht, um die Butter zu bringen.
Aus dem Blog
Sehen Sie sich einige Highlights der letzten Zeit an, oder entdecken Sie weitere Einträge im Blog.
ML-Agents Hummingbird Course
Lernen Sie, ML-Agents zu implementieren
Wir haben in Zusammenarbeit mit Immersive Limit einen Onlinekurs entwickelt, in dem Sie lernen, ML-Agents mithilfe von Übungen, Code-Walkthroughs und hilfreichen Diskussionen zu implementieren.
Profitieren Sie von der Community
Stellen Sie Fragen, finden Sie Antworten zu Unity ML-Agents, und vernetzen Sie sich mit anderen Experten, Experimentatoren und Unity-Mitarbeitern.
Probleme mit der Unterstützung
Probleme mit der Unterstützung von Dateien auf unser GitHub-Seite
Haben Sie ein ausgefeiltes oder komplexes Szenario?
Kontaktieren Sie uns – ml-agents@unity3d.com
Erkundung unseres Ökosystems
Schauen Sie sich unter den KI- und Machine-Learning-Produkten von Unity um. Dabei können Sie erfahren, wie diese Ihnen bei der Lösung verschiedener Probleme helfen können.
Unity Computer Vision
Erhalten Sie perfekt gekennzeichnete, hochwertige Daten für das Computer-Vision-Training zu einem Bruchteil der Kosten.
Robotersimulation
Erstellen Sie für Ihre Roboter vor Einsatz in der realen Welt realitätsgetreue Prototypen, Tests und Trainings.
Unity Simulation
Nutzen Sie die Stärken der Cloud, um Millionen von Simulationen für das Erstellen von Trainingsdaten für Machine Learning, Tests und Prüfungen von KI-Algorithmen oder das Bewerten und Optimieren von modellierten Systemen einzusetzen.