论文题目

视频游戏中深度强化学习的研究综述，A Survey of Deep Reinforcement Learning in Video

论文摘要

摘要深度强化学习（DRL）自提出以来取得了很大的成就。通常，DRL代理在每个步骤都接收高维输入，并根据基于深度神经网络的策略进行操作。这种学习机制通过端到端的方法更新策略以最大化回报。本文综述了DRL方法的研究进展，包括基于价值的方法、基于策略梯度的方法和基于模型的方法，比较了它们的主要技术和性能，并指出DRL在智能游戏中的重要作用。我们还回顾了DRL在各种电子游戏中的成就，包括经典的街机游戏、第一人称视角游戏和多智能体实时战略游戏，从2D到3D，从单智能体到多智能体，大量带有DRL的电子游戏AIs都取得了超人的性能，在这个领域还有一些挑战。因此，我们还讨论了将DRL方法应用于该领域的一些关键点，包括探索性开发、样本效率、泛化和迁移、多智能体学习、不完全信息和延迟备用研究，以及一些研究方向。

论文作者

Kun Shao, Zhentao Tang, Yuanheng Zhu,IEEE成员。Nannan Li, Dongbin Zhao，IEEE资深会员。