Aprendizado de máquina
Na Unity, buscamos maximizar o impacto transformador do Aprendizado de Máquina para pesquisadores e desenvolvedores. Nossas ferramentas de Aprendizado de Máquina, combinadas com a plataforma Unity, promovem a inovação. Para fortalecer ainda mais a comunidade de Aprendizado de Máquina, disponibilizamos um fórum onde pesquisadores e desenvolvedores podem trocar informações, compartilhar projetos e apoiar-se mutuamente para avançar no campo.
Descubra o que faz Unity na área de Aprendizado de Máquina.
Baixar ML-AgentbaixarCompreenda o verdadeiro potencial da IA
Unity ML-Agents oferece uma maneira flexível de desenvolver e testar novos algoritmos de IA de forma rápida e eficiente em uma nova geração de robótica, jogos e mais.
Dr. Danny Lange, vice-presidente de IA e Aprendizado de Máquinas da Unity Technologies, ex-chefe de Aprendizado de Máquinas em Uber e Amazon.
Unity Machine Learning Agents beta
Unity Machine Learning Agents, a primeira oferta de produtos de aprendizado de máquinas da Unity, forma agentes inteligentes com métodos de aprendizado de reforço e métodos evolutivos através de uma simples API Python, que permite:
- Aos pesquisadores acadêmicos estudar comportamentos complexos em conteúdo visual e física realista
- Aos pesquisadores industriais e empresariais implementar regimes de treinamento paralelo em larga escala para robótica, veículos autônomos e outras aplicações industriais
- Aos desenvolvedores de jogos superar desafios, nomeadamente usando agentes para ajustar dinamicamente o nível de dificuldade do jogo
Arthur Juliani, Engenheiro de Aprendizado de Máquina Unity, fala sobre a história e o potencial dos agentes de Aprendizado de Máquina.
Vencedores da competição comunitária ML-Agents
Metal Warfare é um jogo de estratégia em tempo real (RTS) desenvolvido para fins de entretenimento e educação. A perspectiva educacional é focada em inteligência artificial (IA) e aprendizado de máquina (ML), que permite ao jogador projetar ou programar IA e, assim, realizar ML.
Inspirado pelo gênero stealth, este projeto foi desenvolvido para treinar um ML-Agente a se esconder com sucesso de uma IA tradicional, patrulhando de sala em sala. Uma segunda variante foi criada para treinar o agente para uma IA mais rápida usando o aprendizado do programa.
É uma versão IA de Unity, treinada com ML-agents, de um joguinho que se popularizou recentemente no App WeChat na China: o jogador precisa saltar para a próxima caixa sem cair no chão. Levou apenas duas horas para treinar a IA a jogar muito bem.
Um carro com apenas uma câmera aprende a dirigir com RL
- Processamento da imagem da câmera detectando as bordas da pista
- Construção de um modelo baseado em PPO usando a imagem da borda como entrada
- Treino em pista curta para 200 eps
- Treino em pista longa para 200 eps
- Após o teste, aja deterministicamente
O projeto SpaceY mostra como Unity Machine Learning Agents podem ser usados para ensinar um foguetão a decolar de um planeta e depois voar e pousar em outro.
É um ambiente do veículo com objetos estáticos. O veículo deve escapar das pilhas de pneus (- recompensa) e obter estrelas (+ recompensa), e só pode se mover na direção lateral (3 ações -> esquerda, direita, manter).
As ondas do mar devem mudar para permitir que o navio à deriva vença os obstáculos e os leve ao seu destino. No entanto, o controle do mar mostrou-se muito difícil até para os seres humanos. Parece que as ondas são imprevisíveis, mas a IA aprendeu a controlá-las!
A apresentação tem como objetivo automatizar o café da manhã, com um Machine Learning Agent virando uma panqueca de uma frigideira para um prato, e o "Pass the Butter Robot" de Rick e Morty desviando dos obstáculos para entregar manteiga.
This project uses ML-Agents to stabilize satellite rotating in one axis. AI controls two satellite engines which can be turned on or off. Session starts with rotating satellite. It took two hours of ML-Agents learning to achieve a goal to stabilize satellite.
Acima de cada agente há uma estimativa de valor, correspondente à futura recompensa esperada pelo agente. Quando o agente certo perde a bola, a estimativa de valor cai para zero, já que espera que o episódio termine em breve, resultando em nenhuma recompensa adicional.
A função das recompensas
Diversos cenários de formação são possíveis com Unity ML-Agents, dependendo de como os agentes, os cérebros e as recompensas são conectados. Estes incluem: Agente Único, Agente Único Simultâneo, Agente Multi-Agente Cooperativo e Competitivo e Ecossistema.
Este exemplo de tênis mostra uma função de recompensas “Adversarial Self-Play”. Dois agentes que interagem com funções de recompensa inversa ligadas a um único cérebro. Nos jogos de dois jogadores, o jogo de um agente pode permitir que este melhore substancialmente as suas competências jogando contra o adversário ideal: ele próprio.
Do blog
O seu trabalho de sonho está na Unity?
Unity democratiza o desenvolvimento de jogos com ferramentas que ajudam os desenvolvedores a criar jogos e experiências imersivas, trabalhar de forma mais produtiva e conectar-se a milhões de usuários em várias plataformas. A engine Unity atinge quase 3 bilhões de dispositivos em todo o mundo.
Atualmente, estamos buscando engenheiros excepcionais para construir a plataforma de Aprendizado de Máquina da próxima geração para desenvolvedores da Unity. Trabalhando em estreita colaboração com uma equipe estelar de engenheiros e cientistas, você colocará o Aprendizado de Máquina e a IA a trabalhar para Unity e para o resto do mundo.
Veja as vagas de Aprendizado de Máquinas
Procure nossas vagas em Aprendizado de Máquinas
Ir para carreiras