VR+强化学习 格斗游戏相关文献资料

整体思路：

自训练AI  -> 玩家键盘接入交互 -> 搭虚拟环境 -> 体感交互(Kinect) -> VR设备+体感交互

对手Agent模块设计：

这块主要用强化学习来做

存在的问题：AI强度设置（已有相关论文研究AI强度适宜问题） 【见另一个文档】

主要需要关心：玩家的舒适/满意度

 

FightingICE

 

核心思想：设置一个Balancing Constant（平衡常数）值，在格斗游戏中，这个值往往设置成双方生命量的差异。

观测参数设置：

物理空间：Agent和玩家之间的距离

平衡常数：Agent的生命量与玩家的生命量之间的差值以及Agent所获得的奖励类型（切分成三种Reward，在BC之内、高于和低于BC）

与动作有关的信息：Agent和玩家的最后一个动作，以及一个离散值，该值告诉我们玩家从最后一次观测起是否改变了动作

所有这些值都在-1和1之间进行了归一化提升性能。

Action：训练时利用自训练，两个Agent都可以移动（目前设想是前后左右四个方法），躲避（蹲、跳）和攻击（踢，拳击）。

 

存在的问题点：

AI决策刷新时间，其他论文研究，类似的格斗游戏最佳更新决策时间为9秒。（仅供参考）

玩家难易度：据相关研究，最佳难度区间控制在玩家的胜率平均在50%（实验结果Agent胜率略低于50%时，玩家反馈最佳）

思考（目前没找到理论支撑）：有一个会影响全局的决策更佳。

玩家交互方法：

VR格斗游戏背景意义：

体感交互（姿态识别）：

常规方法：

• Kinect，

优势：资源占用，性能开销低，姿态定