Banca de QUALIFICAÇÃO: GABRIEL CALDAS BARROS E SÁ

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : GABRIEL CALDAS BARROS E SÁ
DATA : 27/03/2024
HORA: 14:40
LOCAL: https://meet.google.com/pxh-ncyf-eje
TÍTULO:

Jaguar: Uma Abordagem de Aprendizado por Reforço Profundo Multi-Agente Hierárquica com Transfer Learning para StarCraft II

PALAVRAS-CHAVES:

Aprendizado por Reforço Profundo; StarCraft II; Multi-Agente; Transfer Learning; Arquitetura Hierárquica.

PÁGINAS: 50
RESUMO:

Jogos de Estratégia em Tempo Real são ambientes que geralmente simulam situações militares reais e apresentam uma série de desafios para o campo da Inteligência Artificial, como a alta complexidade e grande espaço de ações e estados, mapas parcialmente observáveis e o fato de lidarem com múltiplos agentes ao mesmo tempo, além das tarefas poderem ser realizadas no âmbito do microgerenciamento ou do macrogerenciamento. Em especial, o Aprendizado por Reforço tem se destacado na aplicação e evolução de técnicas capazes de lidar com esses desafios, especialmente com o advento do Aprendizado por Reforço Profundo. Foi realizada, então, uma revisão sistemática da literatura com o objetivo de entender e sumarizar quais ambientes, técnicas, ferramentas e arquiteturas compõem o estado da arte do Aprendizado por Reforço Profundo nos jogos de Estratégia em Tempo Real. Diante dos levantamentos obtidos pela revisão, este trabalho propõe desenvolver uma solução Multi-Agente Hierárquica focada no jogo StarCraft II, com o uso de Transfer Learning e técnicas de mascaramento de ações para permitir que o treinamento do agente consuma menos recursos e obtenha resultados satisfatórios para cenários mais complexos.

MEMBROS DA BANCA:
Presidente - 2978747 - CHARLES ANDRYE GALVAO MADEIRA
Interno - 1669545 - DANIEL SABINO AMORIM DE ARAUJO
Externo ao Programa - 2885532 - IVANOVITCH MEDEIROS DANTAS DA SILVA - UFRN