Машинное обучение
Мы, разработчики Unity, стремимся максимально усилить эффективность машинного обучения как для исследователей, так и для разработчиков. Наши инструменты машинного обучения в сочетании с платформой Unity многократно расширяют возможность открыть или создать что-то новое. Для того, чтобы сплотить сообщество интересующихся машинным обучением, мы создали форум, где исследователи и разработчики могут обмениваться опытом, проектами и помогать друг другу.
Будьте в курсе новостей машинного обучения Unity.
Загрузить МО-агентыОсознайте истинный потенциал ИИ
МО-агенты Unity обеспечивают гибкость, скорость и эффективность разработки и тестирования новых алгоритмов ИИ для нового поколения роботов, игр и многого другого.
Доктор Дэнни Ланж, вице-президент подразделения ИИ и машинного обучения в Unity Technologies, бывший глава подразделения машинного обучения Uber и Amazon.
Бета-версия Unity Machine Learning Agents
Unity Machine Learning Agents, первый из продуктов Unity в области машинного обучения, обучает агенты с помощью простого API на Python. Используется методика обучения с подкреплением, а также другие эволюционные методы.
- Академические исследователи получают возможность изучать сложное поведение по визуальному контенту и реалистичной физике.
- Исследователи в коммерческой сфере могут реализовать крупномасштабное параллельное обучение для роботов, автономных устройств и других приложений.
- У разработчиков игр появляется инструмент реагирования на изменения, например, путем использования агентов для динамической подстройки уровня сложности в игре.
Артур Джулиани, архитектор машинного обучения в Unity, рассказывает об истории развития и о потенциале агентов машинного обучения.
Победители конкурса сообщества МО-агентов
Metal Warfare - это игра жанра стратегий в реальном времени, разработанная в развлекательных и образовательных целях. Образовательная перспектива имеется в сферах Искусственного Интеллекта (ИИ) и Машинного Обучения (МО) в плане проектирования или скриптования ИИ и использования МО в этих целях.
Проект был рассчитан на то, чтобы обучить МО-агента успешно убегать и прятаться от традиционного ИИ, патрулирующего комнаты (как в играх жанра "стелс"). Во втором варианте обучение происходит на основе наработанного курса в условиях более быстрого ИИ.
В этой версии обучении ИИ прошло с помощью МО-агентов Unity для маленькой игры, ставшей недавно популярной в WeChat App в Китае. В этой игре нужно перепрыгивать с ящика на ящик, не касаясь земли. Потребовалось только 2 часа, чтобы ИИ научился очень хорошо играть.
Автомобили, имеющие только камеру, обучаются вождению с использованием только методики обучения с подкреплением.
- Обработка изображений с камеры путем обнаружения краев полосы
- Построение модели с использованием методики обучения с подкреплением на базе обработки изображений
- Обучение на короткой дороге с 200 кон. точ.
- Обучение на длинной дороге с еще 200 кон. точ.
- После тестирования детерминированное действие
В проекте SpaceY демонстрируется, как агенты машинного обучения Unity могут использоваться для того, чтобы научить ракету взлетать с одной планеты, брать курс на другую планету и садиться на нее.
Автомобиль перемещается среди статичных объектов. Ему нужно избегать груд покрышек (- награда) и наезжать на звезды (+ награда), и он может двигаться только в боковом направлении (3 действия -> влево, вправо, держать курс).
Морские волны должны меняться так, чтобы подогнать дрейфующий корабль к цели, преодолевая препятствия. Однако контроль над морскими волнами оказался очень трудным даже для людей. Кажется, что изменения волн непредсказуемы, но ИИ научился контролировать их!
Это проект посвящен автоматизации завтрака: один робот должен испечь блин и выложить его на тарелку, а другой - доставить к нему масло, избегая все препятствия.
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.
У каждого агента есть оценка выгоды, соответствующая его ожиданиям относительно будущего вознаграждения. Если агенту не удается выполнить задачу, то оценка выгоды падает до нуля, поскольку агент ожидает завершения эпизода без награды.
Функция вознаграждений
Используя МО-агенты Unity, можно реализовать множество сценариев обучения в зависимости от сочетания агентов, а также алгоритмов принятия решений и вознаграждений. В состав комплекта входят одиночный агент, одновременный одиночный агент, кооперативный и конкурентный мультиагент, а также экосистема.
Данный пример игры в теннис показывает функцию вознаграждений за игру с самим собой. Два взаимодействующих агента с обратными функциями вознаграждений подключены к одному и тому же мозгу, постепенно развиваются, при этом играя с идеальным оппонентом: с самим собой.
Из блога
Ваша мечта — работать в Unity?
Unity делает инструменты для игровой разработки доступнее. Мы помогаем разработчикам создавать игры и увлекательные миры, увеличивать свою производительность и общаться с миллионами пользователей на разных платформах. Приложения на Unity используются почти на 3 миллиардах устройств по всему миру.
Мы ищем талантливых инженеров, с которыми мы создадим новое поколение платформы машинного обучения для разработчиков на Unity. Работая со звездной командой инженеров и ученых, вы будете заниматься реализацией ИИ для Unity и для всего мира.
Открытые вакансии по машинному обучению
Узнайте об открытых вакансиях по машинному обучению.
Просмотреть вакансии