使用拓扑增强神经进化演化 Xpilot-AI 赛车的神经控制器-计算机科学-机器学习-计算智能-进化算法.pdfVIP

使用拓扑增强神经进化演化Xpilot-AI赛车的神经

控制器

JimO’Connor,NicholasLorentzen,

GaryB.Parker,andDerinGezgin

ConnecticutCollege,NewLondonCT06320-4125,USA

{joconno2,nlorentze,parker,dgezgin}@

摘要本文研究了在Xpilot-AI平台新实现的赛车模式中开发高性能赛车

本控制器的发展，利用了增强拓扑神经进化的（NEAT）算法。通过利用NEAT

译进化神经网络结构和权重的能力，我们开发出了能够适应复杂赛道并在

中Xpilot-AI中的挑战性空间模拟物理条件下导航的自适应控制器，其中包

括惯性、摩擦力和重力等因素。我们引入的赛车模式支持灵活的电路设计，

1并允许并行评估多个代理，从而实现跨代的有效控制器优化。实验结果表

v

9明，我们的进化控制器相比初始性能，在圈速上提高了高达32%，并且发

4展出了有效的赛车策略，如最佳转弯和速度调节，这与人类的技术相当。

5

3本工作展示了NEAT在产生稳健控制策略方面的能力，特别是在苛刻的游

1戏环境中，并突显了Xpilot-AI作为竞技AI控制器进化严格测试平台的

.

7潜力。

0

5

2Keywords:NEAT·Xpilot-AI·计算智能·进化算法

:

v

i

x1介绍

r

a

1

作为经典多人游戏Xpilot的扩展，Xpilot-AI已经成为计算智能研究中

的一个有价值的工具[14]。最初设计为一个二维战斗模拟器，Xpilot集成了

惯性、摩擦和重力等物理元素，创造了一个让代理管理连续动态控制任务的

仿真环境[9]。在其学术适应中，Xpilot-AI支持在各种任务领域（包括战斗

和夺旗模式）设计和测试自主代理。其开源、以物理为基础的特性允许对计

算代理进行大规模实验，使其成为一个可访问的平台，用于测试一系列机器

学习和神经演化方法[13]。然而，过去Xpilot-AI的应用主要集中在离散任

务目标上，如战斗和基于目标的路径寻找，相比之下，在强调速度和时机的

连续控制任务（例如赛车）方面的探索相对较少[12]。

1/xpilot-ai

2O’Connoretal.

在这项研究中，我们介绍了XPRace，这是对已建立的Xpilot-AI平台

的一个赛车扩展，应用了神经进化拓扑增强（NEAT）算法[17]来演化能够

进行竞争性赛车策略的神经网络。竞争性的赛车环境为智能代理的发展和评

估提供了一个结构化的平台，需要精度、适应性和在实时约束下的优化决策

[16][8]。这项工作解决了与Xpilot-AI中高速、物理驱动导航相关的控制挑

战，这为要求精确代理控制的任务增加了显著的复杂性[10]。XPRace