Primjena podržanog učenja u računalnoj igri utrke

diplomski rad

• Naslov (engleski): Using Reinforcement Learning in a Racing Game
• Autor: Juraj Karadža
• Mentor: Igor Sunday Pandžić (mentor)
• Član povjerenstva: Igor Sunday Pandžić (predsjednik povjerenstva)
• Član povjerenstva: Maja Matijašević (član povjerenstva)
• Član povjerenstva: Mirko Sužnjević (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2025-02-25, Hrvatska

Sažetak

Brzi napredak strojnog učenja doveo je do njegove široke primjene u raznim područjima, uključujući računalne igre. Podržano učenje, podskup strojnog učenja, omogućuje agentima da kroz interakciju s okolinom nauče optimalna ponašanja, što ga čini posebno korisnim za dinamične scenarije koji zahtijevaju donošenje odluka, poput igara utrkivanja.

Ovaj diplomski rad istražuje integraciju podržanog učenja u okruženje igre utrkivanja razvijeno u Unityju korištenjem ML-Agents Toolkita. Glavni cilj je osmisliti i implementirati sustav u kojem AI agenti autonomno uče kako se kretati trkaćim stazama, izbjegavati prepreke i natjecati se protiv ljudskih igrača. Proces uključuje definiranje opažanja, akcija i sustava nagrađivanja, omogućujući agentima postupno poboljšavanje vještina vožnje kroz iterativne treninge.

Igra Desert Racers sastoji se od više trkaćih staza s prilagodljivim razinama težine, omogućujući igračima da sami odaberu broj prepreka i AI protivnika. Korištenjem Unityjevog ugrađenog fizičkog sustava, razvijeno je strukturirano okruženje koje omogućuje treniranje AI vozila primjenom tehnika podržanog učenja.

Sažetak (engleski)

The rapid advancement of machine learning has led to its widespread application in various fields, including gaming. Reinforcement Learning, a subset of machine learning, enables agents to learn optimal behaviors through interaction with their environment, making it particularly useful for dynamic and decision-intensive scenarios such as racing games.

This thesis explores the integration of reinforcement learning into a racing game environment developed in Unity using the ML-Agents Toolkit. The primary goal is to design and implement a system where AI-driven agents can autonomously learn how to navigate race tracks, avoid obstacles, and compete against human players. The process involves defining observations, actions, and reward functions, allowing the agents to improve their driving skills through iterative training sessions.

The game Desert Racers consists of multiple racing tracks with adjustable difficulty settings, enabling players to modify the number of obstacles and AI competitors. Using Unity’s built-in physics engine, a structured environment was developed that enables the training of AI-controlled cars using reinforcement learning techniques.

• Ključne riječi: igra utrke; podržano učenje; podržano učenje u igri utrke; Unity
• Ključne riječi (engleski): racing game; reinforcement learning; reinforcement learning in a racing game; Unity
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:853821
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Otvoreni pristup
• Datum i vrijeme pohrane: 2025-03-12 11:09:46