Implementación de un algoritmo mediante aprendizaje por refuerzo para la resolución de un juego de plataformas (Ghost n' goblins) y extrapolación del algoritmo a juegos similares

Abstract

[ES] El objetivo de este TFG es desarrollar un algoritmo mediante aprendizaje por refuerzo, utilizando la biblioteca para Python gym-retro de OpenAI. En este caso el algoritmo utilizado es el de Deep Q-Learning, que es el más adecuado de aprendizaje por refuerzo para las características del juego en cuestión. La utilización de aprendizaje por refuerzo ha resultado ser prometedora en la resolución de juegos sencillos, por lo que es interesante aplicarlo a un juego de mayor complejidad como es el de ‘Ghost n' goblins’. Además, este TFG se introduce en un problema abierto actualmente como es la extrapolación de algoritmos entrenados en un juego para resolver otro distinto de características similares.

[CA] L’objectiu d’aquest TFG és desenvolupar un algorisme mitjançant aprenentatge per reforç, emprant la biblioteca per a Python gym-retro d’OpenAI. En aquest cas l’algoritme emprat és el de Deep Q-Learning, que és el més adequat per a l’aprenentatge per reforç per a les característiques del joc considerat. L’emprament de l’aprenentatge per reforç ha resultat prometedora a la resolució de jocs més senzills, per la qual cosa és interessant aplicar-ho a un joc de major complexitat com és el de ‘Ghost n’ goblins’. A més, aquest TFG s’introdueix en un problema obert actualmente com és l’extrapolació d’algorismes entrenats en un joc per a resoldre un altre distint de característiques similars.

[EN] This thesis’ main objective is to implement a reinforcement learning algorithm, using OpenAI’s gym-retro library for Python. In this case, the chosen algorithm is deep QLearning, which is the most suitable for the characteristics of the game. The usage of reinforcement learning has been proven to be successful for solving simple games, which is why it is interesting to apply it to more complex games such as ‘Ghosts n’ goblins’. Furthermore, this thesis explores a still open problem that is extrapolating algorithms trained on one game to solve another of similar general characteristics.