Dissertação

{en_GB=Creating AI bots in DOTA2} {} EVALUATED

{pt=Recentemente, tem ocorrido uma quantidade considerável de pesquisa sobre a aplicação de Machine Learning ao DotA2 e a outros jogos do mesmo género, sendo caracterizados por ambientes complexos, com vastos espaços de estados, onde a tomada de decisão tem de ser realizada a tempo real, frequentemente em situações de incerteza. Este trabalho foca-se no desenvolvimento de um sistema de reconhecimento, baseado em aprendizagem supervisionada, com o objectivo de classificar decisões estratégicas tomadas ao longo dos primeiros 15 minutos de cada partida de DotA2. Os principais passos envolvidos são: a definição das classes padrão, seleção e extração de atributos, coleção de amostras de jogabilidade humana de alta habilidade para treino e teste e a aprendizagem de um classificador baseado em redes neuronais, capaz de identificar as estratégias correctas a ser aplicadas a cada momento de jogo. Quaisquer possíveis integrações deste trabalho com a plataforma de agentes do jogo, são também exploradas. O objectivo principal é utilizar o modelo desenvolvido para melhorar o processo de decisão estratégico dos agentes artificiais existentes no jogo. A solução é avaliada através de métricas como a precision, recall e f-measure, entre outras, que ditam o desempenho geral do nosso modelo. Resultados demonstram que o classificador desenvolvido é consideravelmente melhor que qualquer outro modelo que realize classificações aleatórias. Este documento alerta também para outros problemas que continuam por resolver: a falta de uma integração de modelos de Inteligência Artificial com a plataforma de jogo e a não-existência de métodos de anotação automática para estratégias do DotA2., en=There has been a considerable amount of research regarding the application of machine learning to DotA2 and other games of the same genre, which are characterized by complex environments, with vast search states, and where decision-making must be performed in real-time, often under uncertainty or unfamiliar scenarios. This work focuses on the design of a supervised-learning recognition system to classify strategic decisions performed throughout the first 15 minutes of DotA2 matches. Main steps involved are: definition of pattern classes, feature extraction and selection, collection of training and testing samples from human game-play and the learning of an Artificial Neural Network classifier, capable of identifying the correct strategies to be employed at different times throughout matches. Any possible integrations of the developed work with the game's Bot API are also explored. The main purpose is to ultimately use the model developed to improve strategic decision-making of AI bots in this game. Our solution is evaluated with specific metrics, commonly used in classification or pattern recognition tasks, such as precision, recall, f-measure, among others, which dictate an overall performance of our model. Although far from perfect, the obtained results prove that the built classifier performs considerably better than any model making random classifications. This document also alerts to other problems that remain unsolved: lack of proper integration of Artificial Inteligence models with the game's API and the nonexistence of any automatic-labeling methods for DotA2 strategies.}
{pt=Inteligência Artificial, Estratégia em tempo real, Arena de Batalha Multi-jogador Online, Aprendizagem de máquinas, Aprendizagem Supervisionada, Desenvolvimento de Agentes, en=Artificial Intelligence, Real-Time Strategy, Multi-player Online Battle Arena, Machine Learning, Supervised Learning, Bot Development}

Novembro 5, 2018, 16:30

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Carlos António Roque Martinho

Departamento de Engenharia Informática (DEI)

Professor Auxiliar

ORIENTADOR

João Miguel De Sousa de Assis Dias

Departamento de Engenharia Informática (DEI)

Professor Auxiliar