Resumen

Reconocer los destinos de un agente que maniobra es importante en los juegos de estrategia en tiempo real. Dado que encontrar el camino en un entorno incierto es esencialmente un problema de decisión secuencial, podemos modelar el proceso de maniobra mediante el proceso de decisión de Markov (MDP). Sin embargo, el MDP no define una duración de la acción. En este artículo, proponemos un nuevo modelo de decisión semi-Markov (SMDM). En el SMDM, el destino se considera un estado oculto, que afecta a la selección de una acción; la acción está asociada a una variable de duración, que indica si la acción se ha completado. También utilizamos un filtro de partículas Rao-Blackwellizado (RBPF) para la inferencia bajo la estructura de red bayesiana dinámica del SMDM. En los experimentos, simulamos las maniobras de los agentes en un campo de combate y utilizamos las huellas de los agentes para evaluar el rendimiento de nuestro método. Los resultados muestran que el SMDM supera a otra extensión del MDP en términos de precisión, recuperación y medida F. Los destinos son reconocidos eficientemente por nuestro método. Los destinos son reconocidos eficientemente por nuestro método independientemente de si han cambiado o no. Además, el RBPF infiere destinos con menor varianza y menos tiempo que el SPF. Las tasas medias de fallo del RBPF son menores cuando el número de partículas no es suficiente.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Agente de maniobra; juegos de estrategia en tiempo real; proceso de decisión de Markov; duración de la acción; modelo de decisión semi-Markov; destino.
• Keywords:Maneuvering agent; real time strategy games; Markov decision process; action duration; semi-Markov decision model; destination