# 第一人称射击游戏

最近，在第一人称射击游戏(FPS)中出现了更高级的视觉强化学习代理游戏环境。与ALE基准测试中的经典街机游戏不同，fps具有部分可观察状态的3D图形，因此是一种更现实的环境。通常情况下，视点是玩家控制角色的视点，尽管一些在FPS类别中广泛存在的游戏采用了过肩视点。FPS游戏的设计部分挑战在于简单快速的感知和反应，尤其是发现敌人并迅速瞄准他们。但也有其他认知挑战，包括在复杂的三维环境中定位和移动，预测多个对手的行动和位置，以及在一些游戏模式中基于团队的协作。如果使用视觉输入，则从像素中提取相关信息是一个挑战。

## ViZDoom

> [ViZDoom: A Doom-based AI Research Platform for Visual Reinforcement Learning](https://arxiv.org/pdf/1605.02097.pdf)

深度神经网络的最新进展已经导致有效的基于视觉的强化学习方法，其已被用于从像素数据获得Atari 2600游戏中的人级控制器。然而，Atari 2600游戏并不像真实世界的任务，因为它们涉及非逼真的2D环境和第三人称视角。在这里，我们提出了一个新的试验台平台，用于从原始视觉信息中加强学习研究，在半现实3D世界中采用第一人称视角。这款名为ViZDoom的软件基于经典的第一人称射击游戏Doom。它允许开发使用屏幕缓冲区玩游戏的机器人。 ViZDoom通过方便的用户场景机制轻量级，快速且高度可定制。在实验部分，我们通过尝试学习两种情况的机器人来测试环境：基本的移动和射击任务以及更复杂的迷宫导航问题。使用具有Q学习和经验重放的卷积深度神经网络，对于这两种情况，我们能够训练有能力的机器人，这些机器人表现出类似人的行为。结果证实了ViZDoom作为AI研究平台的实用性，并暗示在3D逼真的第一人称视角环境中进行视觉强化学习是可行的。

![](/files/-LaNIJjRZq-fvUeAcdEb)

## DeepMind Lab

> [DeepMind Lab](https://arxiv.org/pdf/1612.03801.pdf)

DeepMind Lab是第一人称3D游戏平台，专为研究和开发通用人工智能和机器学习系统而设计。 DeepMind Lab可用于研究自主人工代理如何在大型，部分观察和视觉多样化的世界中学习复杂的任务。 DeepMind Lab具有简单灵活的API，可以创建任务设计和新颖的AI设计，以便进行探索和快速迭代。 它由快速且广泛认可的游戏引擎提供支持，并为研究社区的有效使用量身定制。

![](/files/-LaNIJjTFyCrVPc7WKxO)


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://hujian.gitbook.io/deep-reinforcement-learning/qian-yan/yan-jiu-ping-tai/di-yi-ren-cheng-she-ji-you-xi.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.