Please use this identifier to cite or link to this item:
Title: Σχεδιασμός και ανάπτυξη παιχνιδιού σε unity με τη χρήση machine learning agents
Other Titles: Game design and development in unity using machine learning agents
Authors: Ντούρμας, Χρήστος
Keywords: Μηχανική μάθηση
Νευρωνικά δίκτυα
Τρισδιάστατα μοντέλα
Ενισχυτική μάθηση
Σχεδίαση παιχνιδιού
Ανάπτυξη παιχνιδιού
Keywords (translated): Machine learning
Neural networks
3D models
Reinforcement learning
Game design
Game development
Abstract: Στόχος της παρούσας διπλωματικής εργασίας είναι ο σχεδιασμός και η ανάπτυξη ενός παιχνιδιού τύπου airplane racing στο οποίο οι παίκτες συναγωνίζονται εκπαιδευμένα μοντέλα νευρωνικών δικτύων διαφόρων επιπέδων νοημοσύνης. Τα νευρωνικά δίκτυα εκπαιδεύτηκαν με την τεχνική της ενισχυτικής μάθησης και στη συνέχεια εισήχθησαν στο περιβάλλον του παιχνιδιού, διαμορφώνοντας τα επίπεδα δυσκολίας του. Παρουσιάζεται σε μεγάλο μέρος της εργασίας ο σχεδιασμός των τρισδιάστατων αντικειμένων που έγινε με τη χρήση του Blender και στη συνέχεια η επεξεργασία τους στο Unity, ώστε να μετατραπούν σε αντικείμενα παιχνιδιού. Επίσης, αναλύεται το κομμάτι της εκπαίδευσης των νευρωνικών δικτύων σε Anaconda Environment, τα οποία στη συνέχεια ενσωματώνονται στο παιχνίδι. Αναφορικά με την εκπαίδευση παρατίθενται γραφήματα που αναπαριστούν την πρόοδο της μάθησης, όπως αυτά εξήχθησαν από το εργαλείο TensorΒoard της πλατφόρμας TensorFlow. Το τελευταίο μέρος περιλαμβάνει την ολοκλήρωση του παιχνιδιού με τη διαχείριση των χρονικών ορίων και την κατάταξη των παικτών στον τερματισμό, καθώς και τον έλεγχο σωστής λειτουργίας του.
Abstract (translated): The aim of this dissertation is the design and development of an airplane racing game, in which players compete with trained neural network models of various levels of intelligence. Neural networks were trained with the technique of reinforcement learning and then imported in the game environment, shaping its difficulty levels. The design of 3D objects in Blender and their processing in Unity, so that they can be turned into game objects, is presented in much of the work. The part of training neural networks in Anaconda Environment, which are then integrated into the game, is also analyzed. Regarding training, there are graphs that represent the progress of learning, as they were extracted from the TensorBoard tool of the TensorFlow platform. The last part includes the completion of the game with the management of the time limits and the ranking of the players at the finish line, as well as the control of its correct operation.
Appears in Collections:Τμήμα Μηχανικών Η/Υ και Πληροφορικής (ΔΕ)

Files in This Item:
File Description SizeFormat 
Διπλωματική.pdf4.72 MBAdobe PDFView/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.