Institute for Web Science and Technologies · Universität Koblenz - Landau

Vorhersage von Gefechts-Ausgängen im Echtzeit-Strategiespiel StarCraft II mittels Convolutional Neural Networks

[zur Übersicht]
Frank Schaust

Convolutional Neural Networks werden bereits in vielen Anwendungsbereichen erfolgreich genutzt. Vor allem im Bereich der Bildklassifizierung erreichen Convolutional-Neural-Network-Architekturen gute Resultate. In dieser Arbeit werden gängige Convlutional-Neural Network-Architekturen aus der Bildklassifizierung in einem neuen Aufgabengebiet, namentlich der Vorhersage von Gefechten im Echtzeit Strategiespiel StarCraft II im Bezug auf ihre Performance in der neuen Domäne verglichen. StarCraft II ist in diversen Bereichen des Machine Learning Anschauungsobjekt für unterschiedliche Aufgaben und dient mit seiner Python-Schnittstelle pysc2 als optimales neues Aufgabengebiet. Im Laufe der Arbeit wurden vier Architekturen für diese Aufgabe adaptiert und mit verschiedenen Augmentierungsmethoden trainiert. Alle Architekturen übertrafen hierbei eine implementierte Baseline, konnten jedoch nicht mit anderen Ansätzen aus dem Gebiet der Gefechtsvorhersage mithalten. Die besten Architektur waren die Inception V4-Architektur mit einer Accuracy von 63,1% und die ResNet-Architektur mit 62%.


11.07.19 - 10:15
B 016