Sie sind hier

Vorhersage von Kampfergebnissen im Echtzeit-Strategiespiel Starcraft II mittels Convolutional Neural Networks

Thema

In Echtzeit-Strategiespielen wie StarCraft II konkurrieren mehrere Spieler simultan um den Sieg, indem sie individuell Einheiten auf einer Karte manövrieren um Gebiete abzusichern oder die Einheiten des Gegners zu zerstören. Vor kurzem wurde ein erster Ansatz veröffentlicht, der versucht automatisiert zu lernen StarCraft II zu spielen [1].

Bei der Entwicklung von klassischen künstlichen Intelligenzen ist eine Komponente, die abschätzen kann, ob ein Aufeinandertreffen der eigenen Einheiten auf die des Gegners positiv für den Spieler ablaufen wird, von zentraler Bedeutung [2]. Vorarbeiten für das Vorgängerspiel StarCraft: Brood War adressieren dies mittels Simulation [3], bayesschen Modellen [4] oder Clustering [5].

Convolutional Neural Networks [6] (CNNs, zu Deutsch etwa „faltende Neuronale Netzwerke“) sind ein maschinelles Lernverfahren, die in letzter Zeit gerade in der Bildklassifikation beeindruckende Resultate erzielen konnten [7]. Ein Prototyp, der lernt die Ergebnisse von nicht-interaktiven Kämpfen in StarCraft II mittels CNNs vorherzusagen, wurde für diese Arbeit bereits entwickelt [8].

Aufgabenstellung

Ziel der Arbeit ist, neben einer Literaturrecherche zu maschinellem Lernen und der Verwendung von CNNs, die Erweiterung des bestehenden Prototyps. Mögliche Forschungsfragen, die dabei adressiert werden können, sind beispielsweise:

  • Welche Lernarchitektur ist am besten geeignet, den Ausgang von Kämpfen vorherzusagen?
  • Welche baselines sind geeignet um Lernarchitekturen zu evaluieren?
  • Wie kann die aktive Kontrolle bestimmter Einheiten durch die Spieler (micromanagement) simuliert und in die Vorhersage miteinbezogen werden?
  • Welche Verfahren sind geeignet um herauszufinden, welche Einheiten mit minimalen Kosten der verlierende Spieler mindestens hinzunehmen müssten um den Kampf zu gewinnen?

Gern gesehen sind auch eigene Forschungsideen zu diesem Gebiet.

Literatur

  1. Vinyals, O., Ewalds, T., Bartunov, S., Georgiev, P., Vezhnevets, A. S., Yeo, M., ... & Quan, J. (2017). Starcraft II: A New Challenge for Reinforcement Learning. arXiv preprint arXiv:1708.04782.
  2. Robertson, G., & Watson, I. (2014). A Review of Real-Time Strategy Game AI. AI Magazine, 35(4), 75-104.
  3. Churchill, D., & Buro, M. (2013, August). Portfolio Greedy Search and Simulation for Large-Scale Combat in StarCraft. In Computational Intelligence in Games (CIG), 2013 IEEE Conference on (pp. 1-8). IEEE.
  4. Stanescu, M., Hernandez, S. P., Erickson, G., Greiner, R., & Buro, M. (2013, October). Predicting Army Combat Outcomes in StarCraft. In AIIDE.
  5. Sánchez-Ruiz, A. A. (2015). Predicting the Outcome of Small Battles in StarCraft. In ICCBR (Workshops) (pp. 33-42).
  6. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT press.
  7. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet Classification with Deep Convolutional Neural Networks. In NIPS (pp. 1097-1105).
  8. https://github.com/lschmelzeisen/SC2CombatPredictor
Studienart: 
Bachelor
Ausschreibungsdatum: 
2017