深度强化训练汽车学会踢球,AI驱动「飞车」自成一派,运球射门不在话下

简介: 还在和人踢球?来试试汽车!功能丰富,只为提供最真实的操作体验免费版本即将发布
【新智元导读】受游戏《火箭联盟》(《Rocket League》)的启发,一位小哥发布的项目在Reddit上火了——使用AI,不仅可以让汽车进行运球和射门,还可以赛车!所以,有玩家想和AI比试比试技术吗?


“什么?用AI实现汽车花式运球”

“怎么可能!”

“花式运球这么一个高灵活度,高技巧性的运动,用AI实现起来还是有难度的吧”

可是,如果现在告诉你,使用深度强化学习技术,不仅可以使汽车学会花式运球,还能让汽车完成进球,穿环等等功能,你会作何感想呢?

 

这不,近日,Reddit上一则帖子火了:

一位小哥受到《火箭联盟》(《Rocket League》)的启发,设计了一款汽车足球环境,可以令汽车在自我对抗的比赛中进行深度强化学习实验:

“该项目名为RoboLeague,是开源的,如果想看更多视频,可以关注我的Twitter”

还在和人踢球?来试试汽车!


《火箭联盟(Rocket League)》是一款快节奏竞速游戏,是《超音速特技火箭战车(Supersonic Acrobatic Rocket-Powered Battle-Cars)》的正统续作。

16.jpg

相比前作,该游戏提供了更炫酷的画面和物理效果,增加完整的单人剧情流程、大量玩家自定义选项和内容丰富的多人游戏,打造新世代动作体育游戏体验。

0.jpg

和传统的足球游戏相比,火箭联盟是独特的,通过操作车辆进行足球比赛,光是这一点就让人眼前一亮。

 

游戏本身的物理引擎强大,而且开车和触球技巧也很有研究,此外,游戏本身还具有各种各样的场地(还有冰球,篮球)和各色的车辆,因此,自发布以来收获了一票忠实玩家。

1.jpg

此外,Rocket League的开发者还提供了详细了解汽车和足球交互、设计和操作原理的说明文档,方便感兴趣的玩家仔细探究:

2.jpg

该小哥也是该游戏的玩家之一,不过,他和别的普通玩家不一样,在收获游戏体验的同时,还得到了灵感,将其做成了一个项目,真正实现了爱好与专业相结合:


功能丰富,只为提供最真实的操作体验


使用此开源项目,所有人都可以根据Unity ML代理仓库,在自己的电脑上安装并体验:

 

此项目不仅仅是实现了花式运球功能,与Rocket League相同,其他的一些操作也得到了实现,比如:球物理(地面/墙壁反弹,摩擦模型,重力等) 、汽车空中控制 、地面加速和制动、单跳力学、黏力、以及其他一些功能,

 

此外,使用强化学习,训练好的汽车还可以进行马路赛车:

免费版本即将发布


这个项目和之前开发者发布的离线版本RLBot有很多不同:


第一,这款游戏打破了原始RLBot的限制——在20x以上倍速的时候,在使用过程中,RLBot会出现一些问题。

 

第二,使用该项目,玩家可以并行训练游戏的多个实例,然而《火箭联盟》只能同时玩1场比赛,因此玩家无法进行扩展训练。

 

第三,通过该项目,玩家可以创建自己的场景,因为他们可以控制游戏的全部代码。

5.jpg

最后,这位小哥还兴致勃勃地表示了对项目未来进展的展望:

 

“我想做的下一步是穿越圆环(玩家操纵的汽车必须尽可能快地飞过环),并训练一辆车,使之可以用恒定的滚转,来完美地做到这一点(人类很难做到,当然,顶级玩家会做到这一点)。”

 

“然后,我计划发布一个免费的迷你游戏,供所有人玩,在这里,玩家可以与AI竞赛,以比较技能。“

 

”一定会有专业游戏玩家试图与AI对抗,这一定会很有趣!”

相关文章
|
3天前
|
机器学习/深度学习 人工智能 搜索推荐
AI在电子商务中的个性化推荐系统:驱动用户体验升级
AI在电子商务中的个性化推荐系统:驱动用户体验升级
32 17
|
17天前
|
机器学习/深度学习 存储 人工智能
【AI系统】感知量化训练 QAT
本文介绍感知量化训练(QAT)流程,旨在减少神经网络从FP32量化至INT8时的精度损失。通过在模型中插入伪量化节点(FakeQuant)模拟量化误差,并在训练中最小化这些误差,使模型适应量化环境。文章还探讨了伪量化节点的作用、正向与反向传播处理、TensorRT中的QAT模型高效推理,以及QAT与PTQ的对比,提供了实践技巧,如从良好校准的PTQ模型开始、采用余弦退火学习率计划等。
64 2
【AI系统】感知量化训练 QAT
|
17天前
|
机器学习/深度学习 存储 人工智能
【AI系统】训练后量化与部署
本文详细介绍了训练后量化技术,涵盖动态和静态量化方法,旨在将模型权重和激活从浮点数转换为整数,以优化模型大小和推理速度。通过KL散度等校准方法和量化粒度控制,文章探讨了如何平衡模型精度与性能,同时提供了端侧量化推理部署的具体实现步骤和技术技巧。
42 1
【AI系统】训练后量化与部署
|
9天前
|
传感器 机器学习/深度学习 人工智能
AI在自动驾驶汽车中的应用与未来展望
AI在自动驾驶汽车中的应用与未来展望
55 9
|
16天前
|
人工智能 PyTorch 测试技术
【AI系统】并行训练基本介绍
分布式训练通过将任务分配至多个节点,显著提升模型训练效率与精度。本文聚焦PyTorch2.0中的分布式训练技术,涵盖数据并行、模型并行及混合并行等策略,以及DDP、RPC等核心组件的应用,旨在帮助开发者针对不同场景选择最合适的训练方式,实现高效的大模型训练。
52 8
|
13天前
|
机器学习/深度学习 人工智能 算法
转载:【AI系统】AI 发展驱动力
本文介绍了AI的起源与发展历程,强调了2016年AlphaGo胜利对AI关注度的提升。文中详细解析了AI技术在搜索引擎、图片检索、广告推荐等领域的应用,并阐述了机器学习、深度学习和神经网络之间的关系。文章还深入探讨了AI的学习方法,包括模型的输入输出确定、模型设计与开发、训练过程(前向传播、反向传播、梯度更新)及推理过程。最后,文章概述了AI算法的现状与发展趋势,以及AI系统出现的背景,包括大数据、算法进步和算力提升三大关键因素。
转载:【AI系统】AI 发展驱动力
|
25天前
|
机器学习/深度学习 人工智能 自然语言处理
AI驱动的个性化学习路径优化
在当前教育领域,个性化学习正逐渐成为一种趋势。本文探讨了如何利用人工智能技术来优化个性化学习路径,提高学习效率和质量。通过分析学生的学习行为、偏好和表现,AI可以动态调整学习内容和难度,实现真正的因材施教。文章还讨论了实施这种技术所面临的挑战和潜在的解决方案。
72 7
|
27天前
|
机器学习/深度学习 人工智能 自然语言处理
智能化软件测试:AI驱动的自动化测试策略与实践####
本文深入探讨了人工智能(AI)在软件测试领域的创新应用,通过分析AI技术如何优化测试流程、提升测试效率及质量,阐述了智能化软件测试的核心价值。文章首先概述了传统软件测试面临的挑战,随后详细介绍了AI驱动的自动化测试工具与框架,包括自然语言处理(NLP)、机器学习(ML)算法在缺陷预测、测试用例生成及自动化回归测试中的应用实例。最后,文章展望了智能化软件测试的未来发展趋势,强调了持续学习与适应能力对于保持测试策略有效性的重要性。 ####
|
28天前
|
机器学习/深度学习 人工智能 算法
【AI系统】AI芯片驱动智能革命
本课程深入解析AI模型设计演进,探讨AI算法如何影响AI芯片设计,涵盖CPU、GPU、FPGA、ASIC等主流AI芯片,旨在全面理解AI系统体系,适应后摩尔定律时代的技术挑战。
44 5
|
26天前
|
人工智能 机器人 数据库
使用FlowiseAI轻松搭建AI驱动的交互式应用
FlowiseAI 是一款开源低代码工具,旨在帮助开发者构建自定义的语言学习模型应用。它提供拖放界面,支持与多种AI模型和数据库集成,适用于创建聊天机器人等交互式应用。使用阿里云的计算巢,用户可通过一键部署快速启动FlowiseAI,并通过简单的步骤配置和运行自定义的LLM应用。