datamllab/awesome-game-ai

Awesome Game AI materials of Multi-Agent Reinforcement Learning

aiawesomegame-aiimperfect-information-gamesmulti-agentreinforcement-learning

GAI 中文摘要

awesome-game-ai 是一个专门汇集多智能体强化学习（MARL）领域游戏人工智能研究资源的精选列表。该项目旨在通过整理顶尖学术成果与开源项目，帮助研究人员深入探索如何处理多智能体交互及复杂游戏环境下的决策问题。

项目系统梳理了多智能体强化学习在各类游戏中的应用，涵盖从经典棋类游戏到复杂竞技游戏的深度学习技术。

整理并收录了包括围棋、象棋、德州扑克、斗地主、Dota 2 及星际争霸 2 在内的多项前沿 AI 算法研究成果。

重点分析了非完美信息博弈（Imperfect Information Games）与完美信息博弈的区别，探讨了多智能体协作与对抗中的推理机制。

提供了丰富的学术论文、开源框架及相关技术文档，方便开发者快速定位特定任务的研究进展。

该资源适用于对人工智能游戏开发、多智能体强化学习算法研究感兴趣的学者、研究生及 AI 从业人员，特别适合在进行相关课题调研或复现前沿算法时作为参考手册使用。

⭐

965

Stars

🔱

117

Forks

👁

Watchers

📋

Issues

MIT创建于 2019/10/19更新于今天

在 GitHub 上查看

README

由 Gemini 翻译整理

Awesome-Game-AI

这是一个精选的（非完整版）关于多智能体 (Multi-Agent) 学习的游戏 AI 资源列表。

如果你想为这个列表做出贡献，请随时发送 Pull Request。你也可以通过 daochen.zha@rice.edu 或 khlai@rice.edu 联系我们。

:loudspeaker: 新闻：欢迎查看我们开源的大型时间序列模型 (LTSM)！

:loudspeaker: 你听说过以数据为中心的 AI (data-centric AI) 吗？请查看我们的以数据为中心的 AI 综述和 Awesome Data-Centric AI 资源库！

什么是游戏 AI？

游戏 AI 专注于根据当前状况预测应该采取哪些行动。通常，大多数游戏都包含某种 AI，它们通常是游戏中的角色或玩家。对于像 Starcraft 和 Dota 2 这样热门的游戏，开发者花费了多年时间来设计和优化 AI 以提升游戏体验。

单智能体 vs. 多智能体

在单智能体环境（游戏中只有一个玩家）的游戏 AI 领域，已经有了大量的研究和成就。例如，Deep Q-learning 已成功应用于 Atari 游戏。其他例子包括 Super Mario、Minecraft 和 Flappy Bird。

多智能体环境更具挑战性，因为每个玩家都必须推断其他玩家的行动。现代强化学习技术推动了多智能体游戏 AI 的发展。2015 年，AlphaGo 首次在 19×19 的完整棋盘上击败了人类职业围棋选手。2017 年，AlphaZero 通过从零开始自学，掌握了国际象棋、将棋和围棋。近年来，研究人员在扑克类游戏上也取得了进展，例如 Libratus、DeepStack 和 DouZero，在德州扑克和斗地主游戏中达到了专家级水平。现在，研究人员不断进步，利用深度强化学习在 Dota 2 和 Starcraft 2 上实现了人类水平的 AI。

完全信息 vs. 非完全信息

完全信息意味着每个玩家都能获得游戏的相同信息，例如围棋、国际象棋和五子棋。非完全信息是指玩家无法观察到游戏完整状态的情况。例如，在纸牌游戏中，玩家无法观察到其他玩家的手牌。通常认为非完全信息游戏更具挑战性，因为其可能性更多。

包含内容

本仓库汇集了一些关于多智能体学习游戏 AI 的优秀资源，涵盖完全信息和非完全信息游戏，包括但不限于开源项目、综述论文、研究论文、会议和竞赛。资源按游戏类别进行分类，论文按年份排序。

开源项目

统一工具包

RLCard: A Toolkit for Reinforcement Learning in Card Games [paper] [code].
OpenSpiel: A Framework for Reinforcement Learning in Games [paper] [code].
Unity ML-Agents Toolkit [paper] [code].
Alpha Zero General [code].