
Разрабатывайте интеллектуальные игры
Разработка отзывчивых интеллектуальных виртуальных игровых и неигровых персонажей — тяжелая задача. Особенно если ваша игра сложна. Для разработки интеллектуального поведения разработчикам приходится писать невероятные объемы кода в специализированных инструментах.
Unity Machine Learning Agents (ML-Agents) позволяет избавиться от необходимости программирования благодаря обучению интеллектуальных агентов с помощью сочетания глубокого обучения с подкреплением и имитационного обучения. ML-Agents дает разработчикам возможность создавать более интересные игры с уникальным игровым процессом.

Создавайте реалистичные и сложные ИИ-окружения для обучения моделей
Ход исследований искусственного интеллекта зависит от решения сложных проблем в существующих средах с использованием текущих моделей оценки обучения моделей ИИ. При этом по мере «решения» таких проблем возникает необходимость в новых средах. Но создание таких сред зачастую требует много времени и специализированных знаний в области доменов.
Используя Unity и инструментарий ML-Agents, вы можете создавать физически, визуально и когнитивно богатые окружения для ИИ. Вы можете использовать их для оценки и исследования новых алгоритмов и методов.

Вам нужно расширить масштаб обучения?
Позже в этом году будет запущен облачный сервис ML-Agents, который даст пользователям ML-Agents обучать модели на масштабируемой облачной инфраструктуре. Благодаря этому сервису вы сможете запускать множество одновременных сессий обучения или с легкостью масштабировать сессию на множество машин для ускорения процесса.
Если вы используете ML-Agents и вам нужна помощь с масштабированием и управлением вашими экспериментами, зарегистрируйтесь на доступ к предварительной версии.

Ускоренное обучение с JamCity Snoopy Pop
Мы объединили усилия с JamCity, чтобы обучить агента для игры Snoopy Pop. Одной из задач обучения агента Snoopy Pop был сбор огромного массива данных об игровом процессе для обучения эффективным алгоритмам и тактикам. Кроме того, большинство разрабатываемых игр постоянно развивается, поэтому обучение должно было проходить сравнительно быстро. Мы реализовали в ML-Agents различные функции, включая асинхронные окружения (Asynchronous Environments), генеративное имитационное обучение соперника (Generative Adversarial Imitation Learning GAIL) и мягкую модель «субъект-критик» (Soft Actor-Critic).
Миллионы естественных, процедурно генерируемых монстров
В rogue-like экшене Source of Madness от Carry Castle вы путешествуете по вечно меняющемуся динамическому миру, при каждом прохождении сражаясь с новыми процедурно генерируемыми монстрами, которые создаются мощным ИИ на основе алгоритмов машинного обучения.
Разработка монстров требовала от небольшой студии решения нескольких задач:
- физика в основе управления монстрами очень необычна;
- возможны миллионы разновидностей монстров;
- монстры должны были выглядеть естественно.

Используя инструментарий ML-Agents — и особенно глубокое обучение с подкреплением — команда обучила и создала модель нейросети, обеспечившую нужное поведение. Затем, используя Unity Inference Engine, они внедрили модель в игру.
Взгляните на эти видео по ML-Agents
Kart Racing Game с машинным обучением в Unity! (обучающий материал)
Учитесь внедрять инструментарий ML Agents от Unity в наш игровой проект Kart Racing. Обучение с подкреплением используется для обучения ИИ-агента автономному передвижению по трассе и обходу препятствий с помощью зрения на основе Raycast.
Интеллектуальные агенты за штурвалами самолетов
Этот проект демонстрирует пример обучения с подкреплением с помощью Unity ML-Agents для самолетов. Самолеты свободно летают в пространстве, используя Raycast для зрения. Кроме того, агенты в этом проекте обучаются с использованием имитационного обучения.
ИИ осваивает футбол
Две разные искусственные нейросети, обученные на основе алгоритмов глубокого обучения с подкреплением, играют в футбол. Этот вариант игры в футбол включен в платформу ML-Agents, доступную на GitHub.
ИИ учится парковать машину
ИИ учится парковать машину на стоянке в трехмерной физической среде. Реализовано с использованием Unity ML-Agents. ИИ состоит из глубокой нейронной сети с тремя скрытыми слоями по 128 нейронов в каждой. Он обучен с использованием алгоритма оптимизации проксимальных политик (PPO) — одного из подходов к обучению с подкреплением.
Робот-сборщик металлолома
ИИ учится играть в игру с контроллером Xbox
Узнайте, как видеоигра научилась играть сама в себя, используя геймпад, платформу Unity и инструментарий ML-Agents. Эксперимент учитывает аппаратное обеспечение в сценарии обучения с подкреплением.
ИИ учится сажать ракету
В этом проекте нейросеть обучена посадке ракеты на платформу с использованием Unity Physics. Эта сеть обучена методом оптимизации проксимальных политик (PPO) с использованием PyTorch и работает на Google Cloud. Обучение заняло около 15 миллионов действий.
ИИ спутника
В этом проекте ML-Agents используется для стабилизации спутника, вращающегося вокруг одной оси. ИИ управляет двигателями спутника, которые имеют два состояния (включен или выключен). Сессия начинается с вращающегося спутника. Всего за два часа, используя алгоритмы обучения ML-Agents, спутник научился стабилизировать себя, останавливая вращение и калибруя свое положение в пространстве.
Бегство и скрытность — избегаем преследования врагов
Созданный по мотивам игр жанра «Стелс», этот проект предназначен для обучения агента навыкам успешного бегства и скрытности от традиционного ИИ, патрулирующего несколько помещений. Второй вариант был создан для обучения на примере более быстрого ИИ с использованием программного обучения.
Передай масло / блинный бот
Цель этого проекта — автоматизация задачи приготовления завтрака. Используя алгоритмы машинного обучения, агент переворачивает блин со сковороды на тарелку, а робот обходит препятствия, доставляя масло.
Из блога
Узнавайте о новинках или изучайте статьи в блоге.
Объявление победителей Obstacle Tower Challenge и выпуск проекта с открытым исходным кодом

ML-Agents Hummingbird Course
Учитесь реализации ML-Agents
Мы объединились с Immersive Limit в разработке онлайн-курса по реализации ML-Agents на основе практических заданий, анализа кода и полезных обсуждений.
Станьте участником сообщества
Задавайте вопросы, находите ответы и общайтесь с другими экспертами и исследователями по вопросам Unity ML-Agents, включая сотрудников Unity.
Вопросы поддержки
Вопросы поддержки файлов на нашей странице на GitHub
У вас крупный или сложный сценарий?
Свяжитесь с нами - ml-agents@unity3d.com
Изучайте нашу экосистему
Познакомьтесь с продуктами Unity для искусственного интеллекта и машинного обучения и узнайте об их возможностях в решении различных проблем.
Компьютерное зрение Unity
Получайте высококачественные, превосходно маркированные данные для обучения систем компьютерного зрения без лишних затрат.
Симулятор роботов
Создавайте прототипы, тестируйте и обучайте роботов на реалистичных симуляциях высокой точности еще до стадии производства.
Unity Simulation
Воспользуйтесь мощью облачного сервиса для проведения миллионов симуляций и генерации данных, которые помогут вам в машинном обучении, тестировании и проверке алгоритмов ИИ или в оценке и оптимизации смоделированных систем.