Inteligencia Artificial para Videojuegos con Deep Reinforcement Learning

En este proyecto, proponemos un mecanismo de conexión de un entorno virtual con un programa en Python en forma de cliente-servidor. Para ello, hemos creado un plugin en UE que ejerce la función de servidor y con el cual se comunica el programa externo. Gracias a esto podemos modificar la escena y obtener información de esta mediante unos comandos definidos. Esta funcionalidad se ha integrado en el proyecto UnrealROX, en el cual podemos controlar un robot humanoide usando hardware de RV. En él, nuestros movimientos se graban, posteriormente se reproducen y se obtienen imágenes con la finalidad de crear datos sintéticos fotorrealistas para entrenar redes neuronales. Con los cambios desarrollados, podemos obtener las imágenes en tiempo real mientras modificamos la escena en modo comando, lo que nos permite utilizar el entorno para desarrollar estrategias de DRL. En este paradigma necesitamos a un agente que realice acciones en una escena y reciba una recompensa según la finalidad deseada. A partir de estas recompensas, la red puede realizar mejores acciones. Para ponerlo a prueba, hemos creado un entorno con obstáculos, donde una red creada usando Pytorch es capaz de aprender a controlar a un agente hasta un punto específico sin colisionar con ellos. Para conseguirlo, recibe una imagen del entorno en el estado actual y la recompensa del movimiento anterior. Esta imagen puede ser una vista aérea o primera persona según la versión.