Abstrakt: V tejto štúdii sa používa transformátorová neurónová sieť na predpovedanie hodnôt Q v simulovanom prostredí pomocou techník posilneného učenia. Cieľom je naučiť agenta navigovať a vyniknúť v hre Flappy Bird, ktorá sa stala populárnym modelom pre riadenie v prístupoch strojového učenia. Na rozdiel od väčšiny špičkových existujúcich prístupov, ktoré ako vstup používajú vykreslený obraz hry, náš hlavný prínos spočíva vo využití senzorických vstupov z LIDAR-u, ktoré sú reprezentované metódou liatia lúčov. Konkrétne sa zameriavame na pochopenie časového kontextu meraní z pohľadu metódy liatia lúčov a optimalizáciu potenciálne rizikového správania zohľadnením stupňa priblíženia k objektom identifikovaným ako prekážky. Agent sa naučil využívať merania z metódy liatia lúčov na vyhýbanie sa kolíziám s prekážkami. Náš model podstatne prekonáva príbuzné prístupy. Do budúcnosti sa snažíme aplikovať tento prístup v reálnych scenároch.

Celý dokument nájdete pod týmto odkazom:Playing Flappy Bird Based on Motion Recognition sensors-24-01905.en.sk

alebo https://doi.org/10.3390/s24061905