Aprendizaje de agentes en entornos de Minecraft mediante modelos de Reinforcement Learning e Imitation Learning

Abstract

[ES] Este trabajo profundiza en los intrincados campos del Aprendizaje Automático, con un enfoque particular en el Aprendizaje por Refuerzo y el Imitation Learning. Utilizando Minecraft, un juego "sandbox", como escenario principal, se saca partido del conjunto de datos de MineRL para llevar a cabo el entrenamiento de agentes inteligentes. Este trabajo tiene como objetivo fusionar los conceptos teóricos del aprendizaje automático con los retos prácticos que surgen en entornos de juegos como Minecraft. El propósito es no solo comprender las técnicas esenciales de aprendizaje, sino también implementarlas en un entorno que permite destacar su potencial y sus desafíos inherentes.

[CA] Aquest treball aprofundeix en els intricats camps de l’Aprenentatge Automàtic, amb un enfocament particular en l’Aprenentatge per Reforç i l’Imitation Learning. Utilitzant Minecraft, un joc tipus "sandbox", com a escenari principal, es trau partit del conjunt de dades de MineRL per a dur a terme l’entrenament d’agents intel·ligents. Aquest treball té com a objectiu fusionar els conceptes teòrics de l’aprenentatge automàtic amb els reptes pràctics que sorgeixen en entorns de jocs com Minecraft. El propòsit és no sols comprendre les tècniques essencials d’aprenentatge, sinó també implementar-les en un entorn que permet destacar el seu potencial i els seus desafiaments inherents.

[EN] This work delves into the intricate fields of Machine Learning, with a particular focus on Reinforcement Learning and Imitation Learning. Using Minecraft, a sandbox game, as the primary application domain, it takes advantage of the MineRL dataset to perform the training of intelligent agents. This work aims to merge the theoretical concepts of machine learning with the practical challenges that arise in game environments such as Minecraft. The purpose is not only to understand the essential learning techniques, but also to implement them in an environment that allows highlighting their potential and inherent challenges.