很多同学在学了 AI 之后，都会「支使」AI 去做各种事情，玩游戏也不例外。《赛道狂飙》是一款经典的娱乐型竞速游戏，已经有着十几年的发展历史。赛车游戏大多比拼的是如何最快从起点抵达终点，但《赛道狂飙》的赛道设计更加多元，极其考验玩家的技术水平，这也是它的独特魅力所在。Youtube 博主 yoshtm 是这一经典游戏的玩家之一。他一直在思考，能否让 AI 玩这个游戏？最近，他成功将模型训练了出来，而且在《赛道狂飙》的新旧版本上都试了一下，效果还可以：![]()
他用的是非常简单的监督学习模型，只有 2 个隐藏层（64+16 个神经元），包含 16 个输入（15 个赛道间距数据和 1 个车速数据）和 4 个输出（前、后、左、右）。
虽然技术上比较简单，但由于娱乐性较强而且容易上手，yoshtm 的项目还是在 Reddit 上收获了上千的点赞。![]()
既然是监督学习，首先要解决的问题必然是标注数据。在第一版的视频中，yoshtm 介绍道，他创建了一个包含上百个转弯的训练地图，然后自己「驾驶」赛车在地图上跑。此外，他还创建了一个程序，用来逐帧检测赛车与墙之间的距离、车速以及自己的操作（上下左右）等信息。
收集到足够多的数据之后，yoshtm 创建了一个 AI 算法来学习地图环境与操作之间的对应关系。![]()
在实际运行过程中，算法可以根据实时检测到的间距、车速等信息来预测合适的操作。
![]()
有人可能会好奇，为什么这些受同一个 AI 系统控制的车辆行驶轨迹却不一样？原因在于 AI 捕捉到的帧也并不相同，因为屏幕捕获频率并不是连续的，而且使用的算法也存在少量的随机性。
今年 7 月，育碧发布了新版《赛道狂飙》（《赛道狂飙：永恒国度》的重制版）之后，yoshtm 想看看：在上一版游戏中搭建的 AI 系统，是否也能在新版本游戏中使用。
由于两个版本非常相似，yoshtm 只做了一些细微的改进。![]()
数据收集方式和之前差别不大（这次在新地图上行驶了 1 个小时，收集了 5 万个数据），但是加入了斜坡和飞跃：![]()
在之前的版本中，yoshtm 主要用图像检测方法来记录每一帧的速度。但在新的版本中，由于游戏页面发生变化，图像检测已不可行，所以他改用 Openplanet 直接访问游戏 API。![]()
![]()
在地图中的简易环节，AI 仍然比大部分的人类玩家要慢，但至少比初学者要强一些。![]()
在一些转弯的地方，AI 可能会遇到麻烦，特别是在必须使用刹车的情况下。这里演示了上百次赛车经过转弯处的情况，多数情况下赛车很难顺利通过地图的这一部分：![]()
此外，这个模型还有很多缺陷，比如间距测量不够准确、缺乏记忆等。
但因为很有趣，该创意在 Reddit 机器学习社区引发了许多关注。不过作者也表示，这个模型存在一些待解决的问题，比如说在没有墙壁的情况下，表现确实不够灵活。![]()
目前，该项目的代码尚未开源，之后作者可能会用强化学习算法改进该模型。![]()
对于机器学习从业者来说，这可能只是一个 toy 项目。但由于计算量比较小，模型设计也比较简单，初学者或者对机器学习感兴趣的同学可以动手尝试一下。参考链接: https://www.reddit.com/r/MachineLearning/comments/ia93ao/p_i_made_an_ai_that_can_drive_in_a_real_racing/
Amazon SageMaker 是一项完全托管的服务，可以帮助开发人员和数据科学家快速构建、训练和部署机器学习 模型。SageMaker完全消除了机器学习过程中每个步骤的繁重工作，让开发高质量模型变得更加轻松。
现在，企业开发者可以免费领取1000元服务抵扣券，轻松上手Amazon SageMaker，快速体验5个人工智能应用实例。
![]()
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：content@jiqizhixin.com