Créer une expérience de jeu intelligente
Créer des joueurs virtuels et des personnages non joueurs à la fois réactifs et intelligents n'a rien de facile. En particulier lorsque le jeu est complexe. Pour créer des comportements intelligents, les développeurs devaient rédiger des quantités de lignes de code ou utiliser des outils hautement spécialisés.
Avec les agents d'apprentissage automatique Unity (ML-Agents), vous n'avez plus à « coder » les comportements émergents. Il vous suffit maintenant de former des agents intelligents à « apprendre » grâce à une combinaison d'apprentissage par renforcement profond et par imitation. Le recours aux ML-Agents permet aux développeurs de créer des jeux plus captivants et d'enrichir l'expérience de jeu.
Créer des environnements d'IA réalistes et complexes pour former les modèles
L'avancement de la recherche sur l'intelligence artificielle (IA) dépend de la résolution des problèmes difficiles dans les environnements existants, à l'aide des références actuelles pour la formation des modèles d'IA. Néanmoins, à mesure que ces problèmes sont résolus, le besoin de nouveaux environnements commence à émerger. Or, la création de tels environnements est souvent chronophage et requiert une connaissance pointue du domaine.
Grâce à Unity et au kit d'outils ML-Agents, vous pouvez créer des environnements d'IA physiquement, visuellement et cognitivement riches. Vous pouvez les utiliser pour réaliser des analyses comparatives, ou rechercher de nouveaux algorithmes et de nouvelles méthodes.
Vous avez besoin d'étendre la formation ?
Une offre ML-Agents sera disponible sur le cloud cette année afin de permettre aux utilisateurs de s'entraîner sur une infrastructure cloud évolutive. Avec cette offre dans le cloud, vous pourrez soumettre plusieurs sessions de formation simultanées ou en développer une sur plusieurs machines pour des résultats plus rapides.
Si vous utilisez actuellement les ML-Agents et avez besoin d'aide pour effectuer une mise à l'échelle et gérer les tests, inscrivez-vous pour bénéficier du package d'aperçu.
Des temps de formation accélérés avec Snoopy Pop de JamCity
Nous avons établi un partenariat avec JamCity dans le but de former un agent pour leur jeu de bulles Snoopy Pop. Pour former un agent à apprendre les comportements et les stratégies efficaces, il est nécessaire de disposer d'un volume important de données d'expérience de jeu, ce qui constitue l'un des principaux défis. De plus, la plupart des jeux en développement évoluant en permanence, la durée de formation doit être relativement rapide. Pour résoudre ces problèmes, nous avons ajouté plusieurs caractéristiques aux ML-Agents, telles que les environnements asynchrones, l'apprentissage antagoniste génératif par imitation (GAIL) et l'algorithme Soft Actor-Critic.
Des millions de monstres plus vrais que nature grâce à la génération procédurale
Dans Source of Madness, un jeu d'action de type rogue-lite créé par Carry Castle, vous explorez un univers dynamique en constante évolution pour affronter de nouveaux monstres générés de manière procédurale à chaque partie, animés par une puissante IA d'apprentissage automatique.
Pour la conception des monstres ennemis, la petite équipe a été confrontée à de nombreux défis :
- La physique contrôlant les monstres est peu commune.
- Il existe des millions de déclinaisons de monstres.
- L'apparence des monstres doit être naturelle.
À l'aide du kit d'outils ML-Agents, et en particulier l'apprentissage par renforcement profond, l'équipe a conçu un modèle de réseau de neurones qui produit le comportement adéquat. Ensuite, grâce au moteur d'inférence Unity, elle a incorporé le modèle au cœur du jeu.
Découvrez ces vidéos sur les ML-Agents
Jeu de karting avec apprentissage automatique dans Unity ! (Tutoriel)
Découvrez comment implémenter le kit d'outils d'apprentissage automatique ML-Agents Unity dans notre projet de jeu de karting. L'apprentissage par renforcement est utilisé pour former l'agent d'IA à rouler autour de la piste de manière autonome en « voyant » grâce aux raycasts et en pilotant de façon à éviter les obstacles.
Des agents intelligents pilotent des avions
Ce projet illustre comment l'apprentissage par renforcement via les ML-Agents Unity a été utilisé pour apprendre aux avions à voler. Les avions volent librement dans l'espace en utilisant les raycasts pour la vision. Ce projet utilise également l'apprentissage par imitation pour former les agents.
L'IA apprend à jouer au football
Deux réseaux de neurones artificiels s'affrontent dans un simple jeu de football en utilisant l'apprentissage par renforcement profond pour former les réseaux neuronaux. Le jeu de football est inclus dans le framework ML-Agents, disponible sur GitHub.
L'IA apprend à garer une voiture
L'IA apprend à garer une voiture dans un parking lors d'une simulation physique 3D implémentée avec les ML-Agents Unity. L'IA est formée d'un réseau de neurones en profondeur qui comporte trois couches masquées de 128 neurones chacune. La formation se base sur l'algorithme PPO (Proximal Policy Optimization), une approche d'apprentissage par renforcement.
Un robot qui ramasse les déchets métalliques
L'IA apprend à jouer à un jeu à l'aide d'une manette Xbox
Découvrez comment un jeu vidéo a appris tout seul à jouer à l'aide d'une manette, de la plateforme Unity et du kit d'outils ML-Agents. L'expérience intègre du matériel informatique dans le scénario d'apprentissage par renforcement.
L'IA apprend à poser une fusée
Dans ce projet, un réseau de neurones est formé à poser une fusée sur une plateforme avec Unity Physics. La formation se base sur l'algorithme PPO (Proximal Policy Optimization) qui utilise PyTorch et est exécuté sur Google Cloud. Elle a nécessité environ 15 millions d'étapes.
Satellite AI
Ce projet utilise les ML-Agents pour stabiliser un satellite qui tourne sur un axe. L'IA artificielle contrôle deux moteurs qui peuvent être allumés ou éteints. La session débute avec un satellite qui tourne. Deux heures d'apprentissage des ML-Agents ont suffi pour que le satellite atteigne l'objectif de stabilisation, arrête sa rotation et calibre sa position.
Hide/Escape – Avoidance of Pursuing Enemies
Inspiré par les jeux d'infiltration, ce projet a été conçu pour former un agent à courir et à se cacher pour échapper à l'IA traditionnelle qui patrouille de pièce en pièce. Une variante a été créée pour former contre une IA plus rapide utilisant un apprentissage qui s'appuie sur une base de connaissances.
Pass the Butter/Pancake Bot
L'objectif de ce projet est d'automatiser la préparation du petit-déjeuner. À l'aide de l'apprentissage automatique, un agent fait sauter une crêpe de la poêle à l'assiette et un robot évite les obstacles pour amener le beurre.
En direct du blog
Découvrez les derniers événements marquants ou explorez plus d'articles sur le blog.
ML-Agents Hummingbird Course
Apprenez à implémenter les ML-Agents
Nous nous sommes associés à Immersive Limit pour concevoir un cours en ligne permettant d'apprendre à implémenter les ML-Agents à l'aide d'exercices, de démonstrations de codes et de discussions utiles.
Tirez parti de la communauté
Posez des questions, trouvez des réponses et discutez des ML-Agents avec d'autres experts et utilisateurs, y compris l'équipe Unity.
Problèmes de prise en charge
Signalez les problèmes de prise en charge sur notre page GitHub.
Vous avez un scénario élaboré ou complexe ?
Contactez-nous à l'adresse ml-agents@unity3d.com
Explorez notre écosystème
Découvrez les produits dotés de l'IA et de l'apprentissage automatique de Unity et voyez comment ils peuvent vous aider à résoudre divers problèmes.
Unity Computer Vision
Obtenez des données parfaitement étiquetées et de haute qualité pour la formation de vision par ordinateur à un prix très avantageux.
Simulations robotiques
Prototypez, testez et entraînez vos robots grâce à des simulations ultra-réalistes avant de les déployer dans le monde réel.
Unity Simulation
Exploitez la puissance du cloud afin d'exécuter des millions de simulations dans le but de générer des données de formation pour l'apprentissage automatique, de tester et de valider des algorithmes d'IA, ou d'évaluer et d'optimiser des systèmes modélisés.