English
资源说明：Reinforcement learning (RL) has shown great success in increasingly complex single-agent
environments and two-player turn-based games. However, the real world contains multiple
agents, each learning and acting independently to cooperate and compete with other
agents. We used a tournament-style evalu
在当前的智能科技领域，强化学习（Reinforcement Learning, RL）已经在单个智能体的复杂环境中取得了显著的成就，并且在双人回合制游戏中也展现出强大的潜力。然而，现实世界是一个多智能体的环境，每个智能体都在独立地学习和行动，以协作或竞争的方式与其它智能体互动。这篇研究论文揭示了群体强化学习（Population-based Reinforcement Learning）如何在三维多人游戏中实现类似人类的性能。
在《Quake III Arena》的夺旗模式这一三维多人第一人称视角游戏中，研究人员展示了一种智能体能够仅通过像素输入和得分来达到人类级别的表现。他们采用了两层优化过程：训练一个独立的RL代理群体，这些代理在数千个并行的随机生成环境中同时进行比赛。每个代理学习自己的内部奖励信号，并构建对世界的丰富表示。
这个突破性成果的关键在于，RL代理通过群体学习方式，能够在不断变化的环境中适应并改进策略。尽管多智能体游戏中的协同适应性学习问题极为复杂，但研究者们通过研究团队合作型的3D第一人称视频游戏找到了突破口。《Quake III Arena》因其高度沉浸式的游戏体验和对认知能力的广泛提升作用而被选为研究对象。
在这个修改版的游戏中，智能体面临的挑战包括理解环境、决策制定、团队协作以及与对手的竞争。通过群体强化学习，智能体不仅能学会独立行动，还能在团队合作中发挥关键作用，这在之前被认为是RL方法难以解决的问题。这种方法强调了多智能体强化学习在人工智能研究中的巨大潜力，尤其是在模拟真实世界中的复杂社交和竞争情境。
这项研究推动了强化学习在多智能体环境中的应用，为未来智能体在更复杂、动态的环境中学习和互动奠定了基础。它不仅在游戏领域有深远影响，还可能在自动驾驶、机器人协作、社交交互等现实场景中找到实际应用，进一步推动人工智能技术的发展。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
