PyTAG: Challenges and Opportunities for Reinforcement Learning in Tabletop Games

要約

近年、ゲーム AI 研究は強化学習 (RL) を使用して重要な進歩を遂げています。
それにもかかわらず、最新のテーブルトップ ゲームの RL は、ビデオ ゲームと比較してさまざまな独自の課題を提供しているにもかかわらず、ほとんど注目されていません。
このギャップを埋めるために、Tabletop Games フレームワーク (TAG) と対話するための Python API である PyTAG を導入します。
TAG には、AI エージェント用の共通 A​​PI を備えた 20 以上の最新テーブルトップ ゲームのセットが増え続けています。
これらのゲームで RL エージェントをトレーニングするための手法を紹介し、ゲームのサブセットで近接ポリシー最適化アルゴリズムをトレーニングした後のベースライン結果を紹介します。
最後に、複雑な現代のテーブルトップ ゲームが提供する独特の課題について説明します。現在、PyTAG を通じて RL 研究が可能になっています。

要約(オリジナル)

In recent years, Game AI research has made important breakthroughs using Reinforcement Learning (RL). Despite this, RL for modern tabletop games has gained little to no attention, even when they offer a range of unique challenges compared to video games. To bridge this gap, we introduce PyTAG, a Python API for interacting with the Tabletop Games framework (TAG). TAG contains a growing set of more than 20 modern tabletop games, with a common API for AI agents. We present techniques for training RL agents in these games and introduce baseline results after training Proximal Policy Optimisation algorithms on a subset of games. Finally, we discuss the unique challenges complex modern tabletop games provide, now open to RL research through PyTAG.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google