Efficient forward model for Super Mario AI framework
Výkonná implementace simulace počítačové hry Super Mario
bakalářská práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/127957Identifikátory
SIS: 236062
Kolekce
- Kvalifikační práce [10926]
Autor
Vedoucí práce
Oponent práce
Dingle, Adam
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Programování a softwarové systémy
Katedra / ústav / klinika
Katedra softwaru a výuky informatiky
Datum obhajoby
2. 7. 2021
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Angličtina
Známka
Výborně
Klíčová slova (česky)
umělá inteligence|počítačová hra|Super Mario|simulaceKlíčová slova (anglicky)
artificial intelligence|computer game|Super Mario|forward modelMario AI framework, což je prostředí pro tvorbu umělé inteligence pro hru Super Mario Bros., byl v posledních letech použit v mnoha vědeckých pracích. Simulace světa, kterou framework poskytuje, je však málo výkonná a tudíž negativně ovlivňuje všechen výzkum, který je na ní založen - obzvláště inteligentní agenty. Tedy každá práce využívající takovéto agenty je tímto také ovlivněna. To mimo jiné zahrnuje práce zabývající se generování herních úrovní, protože zde se agenti často vyu- žívají pro testování hratelnosti a vlastností vygenerovaných úrovní. Vytvořili jsme výkonnější simulaci světa a jako důkaz její funkčnosti jsme ji využili pro tvorbu nových inteligentních agentů. Porovnání těchto agentů s agenty využívajícími původní implementaci potvrdilo naši domněnku, že málo výkonná simulace světa nega- tivně ovlivňuje výkon agentů. Všichni agenti s novou implementací simulace totiž svým výkonem výrazně překonali agenty využívající původní implementaci.
The artificial intelligence framework for Super Mario Bros. has been used in a lot of research in the past decade. We have noticed that the forward model (simulation of the game world) present in the framework is quite inefficient and thus negatively influences all work that is based on it, especially intelligent agents that utilize it. This means that every work using such agents is influenced too. That might also include level generation, where agents are often used to test the playability and properties of levels. We have implemented a more efficient forward model and as a proof of concept, we used the improved forward model to create new intelligent agents. In a benchmark we ran, the negative influence of the original forward model was confirmed, as all agents using the new forward model greatly outperformed agents based on the original one.