“Ο Ρόλος της Ενισχυτικής Μάθησης σε Εφαρμογές Παιγνίων”

Abstract

Η παρούσα πτυχιακή εργασία παρουσιάζει την ανάπτυξη μιας εφαρμογής παιγνίων που αξιοποιεί τεχνικές ενισχυτικής μάθησης (Reinforcement Learning), με στόχο να αναδείξει τις δυνατότητες και την προσαρμοστικότητα ενός αυτόνομου πράκτορα σε ένα δυναμικό και επαναλαμβανόμενο περιβάλλον. Συγκεκριμένα, σχεδιάστηκε και υλοποιήθηκε ένα τρισδιάστατο παιχνίδι τύπου endless runner, στο οποίο ένας πράκτορας τεχνητής νοημοσύνης, εκπαιδευμένος μέσω του αλγορίθμου Proximal Policy Optimization (PPO), μαθαίνει να αποφεύγει εισερχόμενα εμπόδια εκτελώντας άλματα με ακριβή χρονισμό. Το περιβάλλον διατηρεί σταθερό επίπεδο πρόκλησης, καθώς τα εμπόδια εμφανίζονται σε τακτά χρονικά διαστήματα και κινούνται προς τον πράκτορα, ο οποίος διαθέτει μόνο μία δυνατότητα άλματος κάθε φορά. Η διαμόρφωση αυτή δίνει έμφαση στη λήψη αποφάσεων σε πραγματικό χρόνο, απαιτώντας από τον πράκτορα να αναπτύξει αποτελεσματικές στρατηγικές αντίδρασης μέσα από μια διαδικασία δοκιμής και σφάλματος. Η εργασία παρέχει εκτενές θεωρητικό υπόβαθρο, παρουσιάζοντας τις βασικές αρχές της τεχνητής νοημοσύνης, της μηχανικής μάθησης και της ενισχυτικής μάθησης, εξηγώντας τον τρόπο που αυτές οι μέθοδοι μπορούν να εφαρμοστούν σε διαδραστικά συστήματα. Ακολουθεί αναλυτική περιγραφή της αρχιτεκτονικής του συστήματος, συμπεριλαμβανομένων των τεχνικών επιλογών, των εργαλείων λογισμικού (Unity, ML-Agents) και της ενσωμάτωσης του αλγορίθμου PPO στο περιβάλλον. Τέλος, συζητούνται οι προκλήσεις που προέκυψαν κατά την ανάπτυξη και προτείνονται μελλοντικές κατευθύνσεις για ενίσχυση της εφαρμογής, όπως η αύξηση της πολυπλοκότητας του περιβάλλοντος, η δοκιμή εναλλακτικών αλγορίθμων ενισχυτικής μάθησης και η διερεύνηση περαιτέρω εφαρμογών σε συναφείς τομείς. Abstract: This thesis presents the development of a gaming application utilizing reinforcement learning techniques, aiming to showcase the capabilities and adaptability of an autonomous agent in a dynamic and repetitive environment. Specifically, a 3D endless runner game was designed and implemented, where an artificial intelligence (AI) agent, trained using the Proximal Policy Optimization (PPO) algorithm, learns to avoid oncoming obstacles by executing precise jumps at the right time. The application environment maintains a constant challenge level, with obstacles appearing at regular intervals and moving toward the agent, who can only perform a single jump at any given moment. This setup emphasizes real-time decision-making, requiring the agent to learn effective timing and reaction strategies through trial and error. The thesis provides a thorough theoretical background, introducing the key principles of artificial intelligence, machine learning, and reinforcement learning, and explains how these methods can be applied to interactive systems. A detailed description of the system architecture is provided, outlining the technical choices, software tools (Unity, ML-Agents), and the integration of PPO within the environment. The implementation section covers the development process, from the construction of the 3D game world and agent perception system to the reward mechanisms and training pipeline. Finally, the thesis discusses the challenges encountered during the development process and proposes future directions for enhancement, such as extending the complexity of the environment, experimenting with alternative reinforcement learning algorithms, and exploring further applications in similar domains.