Crea una experiencia de juego inteligente
Resulta difícil crear personajes virtuales inteligentes, capaces de dar respuesta, sean jugadores o participantes pasivos en el juego. Especialmente si el juego es complejo. A fin de crear comportamientos inteligentes, los desarrolladores tienen que escribir infinidad de código o usar herramientas altamente especializadas.
Con los agentes de aprendizaje automático de Unity (agentes ML), ya no tienes que "programar" los comportamientos emergentes. En cambio, les enseñarás a los agentes inteligentes a "aprender" mediante una combinación de aprendizaje por imitación y aprendizaje por refuerzo profundos. El uso de agentes ML les permite a los desarrolladores crear un juego más atractivo y una mejor experiencia de juego.
Crea entornos de AI realistas y complejos para el entrenamiento de los modelos
El avance de la investigación sobre la inteligencia artificial (AI) depende de resolver los problemas complejos de los entornos existentes empleando las bases de referencia actuales para entrenar a los modelos de AI. No obstante, a medida que se "resuelven" estos desafíos, surge la necesidad de contar con entornos nuevos. Pero crear tales entornos suele tomar mucho tiempo y requiere conocimientos de dominios especializados.
Utilizando Unity y los agentes ML, puedes crear entornos de AI que son ricos en los aspectos físico, visual y cognitivo. Puedes utilizarlos a modo de referencia y para investigar nuevos métodos y algoritmos.
¿Necesitas ampliar la escala de tu entrenamiento?
Más adelante este año, habrá una oferta de agentes ML para la nube. El objetivo de esta oferta será que los usuarios de agentes ML puedan realizar los entrenamientos en una infraestructura de nube escalable. Con esta oferta de nube, podrás enviar muchas sesiones de entrenamiento concurrentes o podrás ampliar fácilmente la escala de una sesión de entrenamiento utilizando varias máquinas para obtener resultados más rápido.
Si actualmente usas agentes ML y necesitas ayuda para escalar y administrar los experimentos, inscríbete para obtener acceso de vista previa.
Tiempos de entrenamiento más rápidos con Snoopy Pop de JamCity
Nos asociamos con JamCity para entrenar un agente para su juego disparador de burbujas Snoopy Pop. Uno de los desafíos de entrenar a un agente para jugar Snoopy Pop es el enorme volumen de datos de juego que se necesita para aprender estrategias y comportamientos eficaces. Además, la mayoría de los juegos en desarrollo evolucionan constantemente, por lo que los tiempos de entrenamiento deben ser razonablemente rápidos. Presentamos varias funciones en los agentes ML, tales como Asynchronous Environments (entornos asincrónicos), Generative Adversarial Imitation Learning (GAIL, aprendizaje por imitación confrontativo generativo) y Soft Actor-Critic para resolver estos problemas.
Millones de monstruos generados de manera procedimental, con un diseño natural
En Source of Madness, un juego de acción, parecido a los juegos de mazmorras (rogue-lite), creado por Carry Castle, debes atravesar un mundo dinámico que cambia constantemente, luchando contra monstruos generados de manera procedimental en cada partida, creados por una poderosa AI de aprendizaje automático.
Crear los monstruos enemigos representó varios desafíos para este pequeño equipo:
- La física que controla a los monstruos es inusual.
- Hay millones de variaciones de los monstruos.
- Los monstruos debían verse naturales.
Utilizando el kit de herramientas de agentes ML y, específicamente, el aprendizaje por refuerzo profundo, el equipo creó y entrenó un modelo de redes neuronales que produjo el comportamiento adecuado. Luego, empleando el motor de inferencia de Unity, se insertó el modelo en el juego.
Mira estos videos sobre agentes ML
¡Juego de carrera de karting con aprendizaje automático en Unity! (Tutorial)
Aprende a implementar los agentes ML del kit de herramientas de aprendizaje automático de Unity en el proyecto de juego de carreras de karting. Se utiliza el aprendizaje por refuerzo para entrenar al agente de AI a fin de que recorra la pista de manera autónoma y "vea" mediante Raycasts para maniobrar y evitar los obstáculos.
Aviones pilotados por agentes inteligentes
Este proyecto muestra cómo se utilizó el aprendizaje por refuerzo mediante los agentes ML de Unity para enseñarles a volar a los aviones. Los aviones vuelan libremente por el espacio empleando Raycast a modo de visión. Este proyecto también utiliza el aprendizaje por imitación para entrenar a los agentes.
La AI aprende a jugar al fútbol
Dos redes neuronales artificiales diferentes luchan entre sí en un simple juego de fútbol en el que se emplea el aprendizaje por refuerzo para entrenarlas. El juego de fútbol está incluido en el marco de trabajo de los agentes ML, disponible en GitHub.
La AI aprende a estacionar un auto
Una AI aprende a estacionar un auto en una playa de estacionamiento en esta simulación de física 3D implementada mediante los agentes ML de Unity. La AI consiste en una red neuronal profunda con tres capas ocultas de 128 neuronas cada una. Se la entrena con el algoritmo de optimización de política proximal (PPO), un método de aprendizaje por refuerzo.
Robot de recolección de residuos metálicos
La AI aprende a jugar un juego con los controles de Xbox
Mira cómo un videojuego aprendió solo a jugarse a sí mismo utilizando los controles, la plataforma de Unity un kit de herramientas de agentes ML. El experimento inserta hardware en el escenario de aprendizaje por refuerzo.
La AI aprende a aterrizar un cohete
En este proyecto, se entrena a una red neuronal para que aterrice un cohete en una plataforma utilizando la física de Unity. Se la entrena con el algoritmo de optimización de política proximal (PPO) empleando PyTorch. Se ejecuta en Google Cloud. El entrenamiento incluyó alrededor de 15 millones de pasos.
La AI aplicada a un satélite
Este proyecto usa los agentes ML para estabilizar un satélite que gira sobre un eje. La AI controla dos motores del satélite, que pueden estar encendidos o apagados. La sesión comienza con un satélite que gira. A los agentes ML les tomó dos horas de entrenamiento lograr el objetivo: que el satélite pudiera estabilizarse, detener su rotación y calibrar su posición.
Ocultarse y escapar: evitar a los enemigos en una persecución
Inspirado en el género de juegos de sigilo, este proyecto se diseñó para entrenar a un agente a fin de que pudiera correr y esconderse de una AI tradicional que patrulla de una habitación a otra. Se creó una segunda variación para hacer el entrenamiento con una AI más rápida empleando el aprendizaje curricular.
Bot que pasa la mantequilla y sirve el hotcake
El objetivo de este proyecto era automatizar la tarea de preparar el desayuno. Utilizando el aprendizaje automático, un agente sirve un hotcake desde la sartén a una fuente y un robot evita los obstáculos para entregar la mantequilla.
Del blog
Mira algunas de las publicaciones recientes destacadas o explora más publicaciones en el blog.
Anuncio de los ganadores del Desafío de la torre de obstáculos y la publicación del código abierto
Kit de herramientas de agentes ML de Unity, versión 0.7: un salto hacia la inferencia multiplataforma
ML-Agents Hummingbird Course
Aprende a implementar agentes ML
Nos asociamos con Immersive Limit para crear un curso en línea que enseña cómo implementar agentes ML mediante ejercicios, instructivos de programación y útiles debates.
Conéctate con la comunidad
Haz preguntas, encuentra respuestas y conéctate con otros expertos y experimentadores de agentes ML de Unity, incluido el propio personal de Unity.
Problemas que requieren asistencia técnica
Informa de problemas que requieren asistencia técnica en nuestra página de GitHub.
¿Tienes un escenario complejo o elaborado?
Escríbenos: ml-agents@unity3d.com
Explora nuestro ecosistema
Explora los productos de inteligencia artificial (AI) y aprendizaje automático de Unity y descubre cómo pueden ayudarte a resolver problemas diversos.
Unity Computer Vision
Obtén datos de alta calidad, perfectamente etiquetados para la capacitación utilizada en la visión computarizada a una fracción del costo.
Simulación robótica
Crea prototipos de tus robots, pruébalos y entrénalos en simulaciones realistas de alta fidelidad antes de implementarlos en el mundo real.
Unity Simulation
Aprovecha el poder de la nube para ejecutar millones de simulaciones a fin de generar datos de capacitación para el aprendizaje automático, probar y validar algoritmos de AI o evaluar y optimizar sistemas modelados.