Applicazione del Deep Reinforcement Learning a videogiochi di piattaforme 2D

Il Deep Reinforcement Learning (DRL) permette ad un agente (di un processo di Reinforcement Learning) di ricevere input ad alta dimensionalità ad ogni passo ed effettuare azioni in accordo con una policy basata su una rete neurale artificiale deep. Questo meccanismo di apprendimento si sposa perfettamente con il mondo dei videogiochi, dove gli ambienti sono sempre dinamici e all'IA è richiesto di apprendere molte informazioni. Questo lavoro di tesi porta l'attenzione su una categoria specifica di videogiochi, i platform 2D, andando a mostrare come sia possibile partire da prodotti già realizzati (non per un task di DRL) per creare delle reti neurali performanti, soffermandosi, in particolare, sulla distinzione tra platform a livelli ed endless, dove il primo ha come obiettivo il raggiungimento di una meta prefissata, il secondo, invece, prevede la sopravvivenza il più longeva possibile in un ambiente generato proceduralmente, cioè diverso ad ogni partita. I risultati ottenuti evidenziano che è possibile allenare delle IA per entrambi i casi, con risultati soddisfacenti; mostrano, inoltre, come i due giochi necessitino di reti allenate separatamente, in quanto differiscono ampiamente nell'obiettivo e nell'ambiente in cui gli agenti sono inseriti.