
Crie uma experiência de jogo inteligente
Criar jogadores virtuais inteligentes e responsivos e personagens não jogáveis de jogos é difícil. Especialmente quando o jogo é complexo. Para criar comportamentos inteligentes, os desenvolvedores tiveram que recorrer à escrita de toneladas de códigos ou usar ferramentas altamente especializadas.
Com os agentes de aprendizagem de máquina (ML-Agents) do Unity, você não fica mais “codificando” comportamentos emergentes, mas ensinando agentes inteligentes a "aprender” por meio de uma combinação de aprendizagem profunda por reforço e aprendizagem por imitação. O uso do ML-Agents permite que os desenvolvedores criem uma jogabilidade mais envolvente e uma experiência de jogo aprimorada.

Crie ambientes de IA realistas e complexos para treinar modelos
O avanço da pesquisa em inteligência artificial (IA) depende da descoberta de problemas difíceis nos ambientes existentes com o uso de padrões atuais para o treinamento de modelos de IA. Entretanto, à medida que esses desafios são “vencidos,” a necessidade ambientes novos surge. Porém, criar tais ambientes quase sempre exige tempo e requer domínio de conhecimento especializado.
Usando o Unity e o kit de ferramentas ML-Agents, você pode criar ambientes de AI que são fisicamente, visualmente e cognitivamente ricos. Você pode usá-los para parâmetro comparativo e para pesquisar novos algoritmos e métodos.

Precisa escalar seu treinamento?
Uma oferta de ML-Agents na nuvem estará disponível posteriormente neste ano, o que permitirá que os usuários treinem em uma infraestrutura de nuvem escalável. Com esta oferta na nuvem, você poderá enviar muitas sessões de treinamento simultâneas ou escalar facilmente uma sessão de treinamento entre várias máquinas para obter resultados mais rápidos.
Se você estiver usando ML-Agents no momento e precisar de ajuda para escalar e gerenciar experimentos, registre-se para uma acesso de visualização.

Tempo de treinamento mais rápido com JamCity Snoopy Pop
Estabelecemos uma parceria com a JamCity para treinar um agente para o atirador de bolhas Snoopy Pop. Um dos desafios no treinamento de um agente para jogar Snoopy Pop é o grande volume de dados de jogabilidade usados para aprender estratégias e comportamentos eficazes. Além disso, a maioria dos jogos em desenvolvimento está evoluindo constantemente, então o tempo de treinamento precisa ser razoavelmente rápido. Introduzimos vários recursos no ML-Agents, como ambientes assíncronos, GAIL (aprendizagem de imitação adversária generativa, em inglês Generative Adversarial Imitation Learning) e o algoritmo Soft Actor-Critic para resolver esses problemas.
Milhões de monstros gerados de maneira procedural e com aparência natural
Em Source of Madness, um jogo de ação roguelike criado por Carry Castle, você atravessa um mundo em constante mudança enfrentando novos monstros que são gerados de maneira procedural a cada passagem; esses monstros são trazidos à vida por uma avançada AI de aprendizagem de máquina.
Criar os monstros inimigos envolveu diversos desafios para a equipe pequena:
- A física que controla os monstros não é comum
- Há milhões de variações de monstros
- Os monstros precisavam ter uma aparência natural

Usando o kit de ferramentas ML-Agents, e, especificamente, aprendizagem profunda por reforço, a equipe treinou e criou um modelo de rede neural que produziu o comportamento certo. Em seguida, usando o engine de inferência do Unity, eles incorporaram o modelo ao jogo.
Confira estes vídeos de ML-Agents
Jogo de corrida de kart com aprendizagem de máquina no Unity! (Tutorial)
Saiba como implementar ML-Agents do kit de ferramentas de aprendizagem de máquina do Unity no projeto de jogo de corrida de kart do Unity. A aprendizagem por reforço é usada para treinar o agente de AI a percorrer a pista de maneira autônoma “vendo” com raycasts e pilotando para evitar obstáculos.
Agentes inteligentes pilotando aeronaves
Este projeto mostra como a aprendizagem por reforço via ML-Agents do Unity foi usado para ensinar aviões a voar. As aeronaves voam livremente no espaço usando o raycast para visão. Este projeto também usa aprendizagem por imitação para treinar agentes.
AI aprende futebol
Duas diferentes redes neurais artificiais se enfrentam em um jogo simples de futebol usando aprendizagem profunda por reforço para treinar redes neurais. O jogo de futebol está incluído na estrutura do ML-Agents disponível no GitHub.
AI aprende e estacionar um carro
Uma AI aprende a estacionar um carro em uma simulação de física 3D implementada com o uso do ML-Agents do Unity. A AI consiste em uma rede neural profunda com três camadas ocultas de 128 neurônios cada. Ela é treinada com o algoritmo PPO (otimização de política proximal, em inglês proximal policy optimization), uma abordagem de aprendizagem por reforço.
Robô de coleta de lixo metálico
AI aprende a jogar com um controlador do Xbox
Veja como um vídeo game aprendeu a jogar sozinho usando um gamepad, a plataforma do Unity e o kit de ferramentas ML-Agents. O experimento insere hardware no cenário de aprendizagem por reforço.
AI aprende e pousar um foguete
Neste projeto, uma rede neural é treinada para pousar um foguete em uma plataforma usando o Unity Physics. Ela é treinada com o algoritmo de otimização de política proximal (PPO) usando PyTorch e é executada no Google Cloud. O treinamento usou cerca de 15 milhões de etapas.
AI de satélite
Este projeto usa o ML-Agents para estabilizar um satélite girando em um eixo. A AI controla os dois motores do satélite, que podem estar ligados ou desligados. A sessão se inicia com um satélite em rotação. Demorou duas horas de aprendizagem do ML-Agents para que o satélite alcançasse a meta de estabilização, parando sua rotação e calibrando sua posição.
Esconder/escapar – Evitar inimigos perseguidores
Inspirado no gênero de jogos furtivos, este projeto foi criado para treinar um agente para correr e se esconder com êxito de uma AI tradicional que faz ronda de sala em sala. Uma segunda variação foi criada para treinar contra uma AI mais rápida que usa aprendizagem de curriculum.
Passar a manteiga/bot da panqueca
O objetivo deste projeto foi automatizar a tarefa de fazer o café da manhã. Usando a aprendizagem de máquina, um agente vira uma panqueca de uma frigideira em um prato e um robô desvia de obstáculos para entregar a manteiga.
Do blog
Confira alguns destaques recentes ou explore mais publicações no blog.
Kit de ferramentas ML-Agents do Unity v0.7: um salto em direção à inferência entre plataformas

ML-Agents Hummingbird Course
Saiba como implementar ML-Agents
Estabelecemos uma parceria com o Immersive Limit para criar um curso on-line que ensina como implementar ML-Agents via exercícios, demonstrações de código e discussões úteis.
Aproveite a comunidade
Faça perguntas, encontre respostas e conecte-se a outros pesquisadores e especialistas em ML-Agents, incluindo o pessoal da Unity.
Problemas de suporte
Problemas de suporte de arquivo em nossa página do github
Você tem um cenário complexo ou elaborado?
Entre em contato - ml-agents@unity3d.com
Explore nosso ecossistema
Confira os produtos de aprendizado de máquina e IA da Unity e saiba como eles podem ajudar você a resolver diversos problemas.
Unity Computer Vision
Obtenha dados perfeitamente rotulados e de alta qualidade para treinamento de visão computacional por uma fração do custo.
Simulação de robótica
Desenvolva um protótipo, teste e treine seus robôs em simulações realistas de alta fidelidade antes de implantá-los no mundo real.
Unity Simulation
Aproveite o poder da nuvem para executar milhões de simulações a fim de gerar dados de treinamento para aprendizado de máquina, testar e validar algoritmos de AI ou avaliar e otimizar sistemas modelados.