Jugando a Mejorar: Uso de DQN y PPO para la automatización de Space Invaders
Esta tesis investiga la aplicación de algoritmos de aprendizaje por refuerzo, específicamente Deep Q-Network (DQN) y Proximal Policy Optimization (PPO), para entrenar modelos capaces de jugar el clásico juego de Atari, Space Invaders. La investigación comenzó con el desarrollo de versiones propias d...
- Autores:
-
Maldonado, Nicolás
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2024
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/75171
- Acceso en línea:
- https://hdl.handle.net/1992/75171
- Palabra clave:
- Aprendizaje por refuerzo
DQN
PPO
Stable Baselines 3
Space Invaders
Juegos de Atari
Aprendizaje automático
Inteligencia artificial
Ingeniería
- Rights
- openAccess
- License
- Attribution 4.0 International
| id |
UNIANDES2_8e6f57e387b79ba9a58305dd1b080b4c |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/75171 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Jugando a Mejorar: Uso de DQN y PPO para la automatización de Space Invaders |
| title |
Jugando a Mejorar: Uso de DQN y PPO para la automatización de Space Invaders |
| spellingShingle |
Jugando a Mejorar: Uso de DQN y PPO para la automatización de Space Invaders Aprendizaje por refuerzo DQN PPO Stable Baselines 3 Space Invaders Juegos de Atari Aprendizaje automático Inteligencia artificial Ingeniería |
| title_short |
Jugando a Mejorar: Uso de DQN y PPO para la automatización de Space Invaders |
| title_full |
Jugando a Mejorar: Uso de DQN y PPO para la automatización de Space Invaders |
| title_fullStr |
Jugando a Mejorar: Uso de DQN y PPO para la automatización de Space Invaders |
| title_full_unstemmed |
Jugando a Mejorar: Uso de DQN y PPO para la automatización de Space Invaders |
| title_sort |
Jugando a Mejorar: Uso de DQN y PPO para la automatización de Space Invaders |
| dc.creator.fl_str_mv |
Maldonado, Nicolás |
| dc.contributor.advisor.none.fl_str_mv |
Takahashi Rodríguez, Silvia |
| dc.contributor.author.none.fl_str_mv |
Maldonado, Nicolás |
| dc.subject.keyword.spa.fl_str_mv |
Aprendizaje por refuerzo |
| topic |
Aprendizaje por refuerzo DQN PPO Stable Baselines 3 Space Invaders Juegos de Atari Aprendizaje automático Inteligencia artificial Ingeniería |
| dc.subject.keyword.none.fl_str_mv |
DQN PPO Stable Baselines 3 Space Invaders Juegos de Atari Aprendizaje automático Inteligencia artificial |
| dc.subject.themes.spa.fl_str_mv |
Ingeniería |
| description |
Esta tesis investiga la aplicación de algoritmos de aprendizaje por refuerzo, específicamente Deep Q-Network (DQN) y Proximal Policy Optimization (PPO), para entrenar modelos capaces de jugar el clásico juego de Atari, Space Invaders. La investigación comenzó con el desarrollo de versiones propias de estos algoritmos, diseñadas desde cero, con el objetivo de entender profundamente los mecanismos y desafíos del aprendizaje por refuerzo en entornos de juegos. Sin embargo, enfrentando limitaciones en el rendimiento y la complejidad técnica, se optó por utilizar implementaciones avanzadas de la biblioteca Stable Baselines 3, lo que resultó en una mejora significativa en los resultados experimentales. Los experimentos compararon las implementaciones originales y las optimizadas con un agente que actúa de manera aleatoria, demostrando la superioridad del aprendizaje estructurado. Esta comparativa no sólo validó la eficacia de las herramientas especializadas para enfrentar tareas complejas de aprendizaje automático, sino que también proporcionó insights sobre las limitaciones de las implementaciones iniciales. Este estudio destaca la importancia de seleccionar herramientas adecuadas y la ventaja de utilizar soluciones consolidadas para abordar problemas de aprendizaje por refuerzo, proporcionando un valioso aprendizaje sobre la implementación y optimización de estos algoritmos. |
| publishDate |
2024 |
| dc.date.accessioned.none.fl_str_mv |
2024-10-17T20:01:11Z |
| dc.date.available.none.fl_str_mv |
2024-10-17T20:01:11Z |
| dc.date.issued.none.fl_str_mv |
2024-05-30 |
| dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.none.fl_str_mv |
Text |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/1992/75171 |
| dc.identifier.instname.none.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.none.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.none.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
https://hdl.handle.net/1992/75171 |
| identifier_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.none.fl_str_mv |
Sutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press. Bertsekas, D. P., & Tsitsiklis, J. N. (1996). Neuro-Dynamic Programming. Athena Scientific. Mnih, V., Kavukcuoglu, K., Silver, D., et al. (2015). Human-level control through deep reinforcement learning. Nature, 518(7540), 529-533. Van Hasselt, H., Guez, A., & Silver, D. (2016). Deep reinforcement learning with double Q-learning. In Proceedings of the AAAI Conference on Artificial Intelligence. Schaul, T., Quan, J., Antonoglou, I., & Silver, D. (2016). Prioritized experience replay. In International Conference on Learning Representations (ICLR). Schulman, J., Wolski, F., Dhariwal, P., et al. (2017). Proximal Policy Optimization Algorithms. arXiv preprint arXiv:1707.06347. Kingma, D. P., & Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980. Gymnasium documentation. Gymnasium Documentation. (n.d.). https://gymnasium.farama.org/index.html Baselines3 docs- reliable reinforcement learning implementations. Stable. (n.d.). https://stable-baselines3.readthedocs.io/en/master |
| dc.rights.en.fl_str_mv |
Attribution 4.0 International |
| dc.rights.uri.none.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Attribution 4.0 International http://creativecommons.org/licenses/by/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.none.fl_str_mv |
32 páginas |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad de los Andes |
| dc.publisher.program.none.fl_str_mv |
Ingeniería de Sistemas y Computación |
| dc.publisher.faculty.none.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.department.none.fl_str_mv |
Departamento de Ingeniería de Sistemas y Computación |
| publisher.none.fl_str_mv |
Universidad de los Andes |
| institution |
Universidad de los Andes |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/a291c25e-beef-4b6e-94b7-7a5b672ae3df/download https://repositorio.uniandes.edu.co/bitstreams/75768021-07db-4758-97ee-dd7548981b91/download https://repositorio.uniandes.edu.co/bitstreams/480bb39f-7c32-4405-82ab-0367ca36534c/download https://repositorio.uniandes.edu.co/bitstreams/8bf77f94-b12b-4d57-b2bb-1ced1bddd40b/download https://repositorio.uniandes.edu.co/bitstreams/e1e383c4-8cf9-4f00-9a20-3c081d2c0cfe/download https://repositorio.uniandes.edu.co/bitstreams/1a20f5ce-9066-425d-9444-662af6ef5cce/download https://repositorio.uniandes.edu.co/bitstreams/66da6d0f-7884-4237-80a1-31584e0896e5/download https://repositorio.uniandes.edu.co/bitstreams/111cbb73-4e24-4b0a-b5b2-e423fbf6be6c/download |
| bitstream.checksum.fl_str_mv |
79e8fd17f9da2b1e266c69e691ee74c2 a09ccf3fc2a97df45133ba622225b73e 0175ea4a2d4caec4bbcc37e300941108 ae9e573a68e7f92501b6913cc846c39f 162f14ffc3b87de79313ac13493e0051 2b01aa34bc458e29c4208f6047f6381e c213dc54fad146245f5f167f622dcbbb 11631b8fc7009e4470e88fd03307ebec |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1818112030430724096 |
| spelling |
Takahashi Rodríguez, Silviavirtual::20079-1Maldonado, Nicolás2024-10-17T20:01:11Z2024-10-17T20:01:11Z2024-05-30https://hdl.handle.net/1992/75171instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Esta tesis investiga la aplicación de algoritmos de aprendizaje por refuerzo, específicamente Deep Q-Network (DQN) y Proximal Policy Optimization (PPO), para entrenar modelos capaces de jugar el clásico juego de Atari, Space Invaders. La investigación comenzó con el desarrollo de versiones propias de estos algoritmos, diseñadas desde cero, con el objetivo de entender profundamente los mecanismos y desafíos del aprendizaje por refuerzo en entornos de juegos. Sin embargo, enfrentando limitaciones en el rendimiento y la complejidad técnica, se optó por utilizar implementaciones avanzadas de la biblioteca Stable Baselines 3, lo que resultó en una mejora significativa en los resultados experimentales. Los experimentos compararon las implementaciones originales y las optimizadas con un agente que actúa de manera aleatoria, demostrando la superioridad del aprendizaje estructurado. Esta comparativa no sólo validó la eficacia de las herramientas especializadas para enfrentar tareas complejas de aprendizaje automático, sino que también proporcionó insights sobre las limitaciones de las implementaciones iniciales. Este estudio destaca la importancia de seleccionar herramientas adecuadas y la ventaja de utilizar soluciones consolidadas para abordar problemas de aprendizaje por refuerzo, proporcionando un valioso aprendizaje sobre la implementación y optimización de estos algoritmos.Pregrado32 páginasapplication/pdfspaUniversidad de los AndesIngeniería de Sistemas y ComputaciónFacultad de IngenieríaDepartamento de Ingeniería de Sistemas y ComputaciónAttribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Jugando a Mejorar: Uso de DQN y PPO para la automatización de Space InvadersTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPAprendizaje por refuerzoDQNPPOStable Baselines 3Space InvadersJuegos de AtariAprendizaje automáticoInteligencia artificialIngenieríaSutton, R. S., & Barto, A. G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press.Bertsekas, D. P., & Tsitsiklis, J. N. (1996). Neuro-Dynamic Programming. Athena Scientific.Mnih, V., Kavukcuoglu, K., Silver, D., et al. (2015). Human-level control through deep reinforcement learning. Nature, 518(7540), 529-533.Van Hasselt, H., Guez, A., & Silver, D. (2016). Deep reinforcement learning with double Q-learning. In Proceedings of the AAAI Conference on Artificial Intelligence.Schaul, T., Quan, J., Antonoglou, I., & Silver, D. (2016). Prioritized experience replay. In International Conference on Learning Representations (ICLR).Schulman, J., Wolski, F., Dhariwal, P., et al. (2017). Proximal Policy Optimization Algorithms. arXiv preprint arXiv:1707.06347.Kingma, D. P., & Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980.Gymnasium documentation. Gymnasium Documentation. (n.d.). https://gymnasium.farama.org/index.htmlBaselines3 docs- reliable reinforcement learning implementations. Stable. (n.d.). https://stable-baselines3.readthedocs.io/en/master201921739Publicationhttps://scholar.google.es/citations?user=x7gjZ04AAAAJvirtual::20079-10000-0001-7971-8979virtual::20079-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000143898virtual::20079-17ab9a4e1-60f0-4e06-936b-39f2bf93d8a0virtual::20079-17ab9a4e1-60f0-4e06-936b-39f2bf93d8a0virtual::20079-1ORIGINALJugando a Mejorar.pdfJugando a Mejorar.pdfapplication/pdf1189070https://repositorio.uniandes.edu.co/bitstreams/a291c25e-beef-4b6e-94b7-7a5b672ae3df/download79e8fd17f9da2b1e266c69e691ee74c2MD51autorizacion tesis (1) 2.pdfautorizacion tesis (1) 2.pdfHIDEapplication/pdf291310https://repositorio.uniandes.edu.co/bitstreams/75768021-07db-4758-97ee-dd7548981b91/downloada09ccf3fc2a97df45133ba622225b73eMD52CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8908https://repositorio.uniandes.edu.co/bitstreams/480bb39f-7c32-4405-82ab-0367ca36534c/download0175ea4a2d4caec4bbcc37e300941108MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-82535https://repositorio.uniandes.edu.co/bitstreams/8bf77f94-b12b-4d57-b2bb-1ced1bddd40b/downloadae9e573a68e7f92501b6913cc846c39fMD54TEXTJugando a Mejorar.pdf.txtJugando a Mejorar.pdf.txtExtracted texttext/plain41865https://repositorio.uniandes.edu.co/bitstreams/e1e383c4-8cf9-4f00-9a20-3c081d2c0cfe/download162f14ffc3b87de79313ac13493e0051MD55autorizacion tesis (1) 2.pdf.txtautorizacion tesis (1) 2.pdf.txtExtracted texttext/plain2039https://repositorio.uniandes.edu.co/bitstreams/1a20f5ce-9066-425d-9444-662af6ef5cce/download2b01aa34bc458e29c4208f6047f6381eMD57THUMBNAILJugando a Mejorar.pdf.jpgJugando a Mejorar.pdf.jpgGenerated Thumbnailimage/jpeg5182https://repositorio.uniandes.edu.co/bitstreams/66da6d0f-7884-4237-80a1-31584e0896e5/downloadc213dc54fad146245f5f167f622dcbbbMD56autorizacion tesis (1) 2.pdf.jpgautorizacion tesis (1) 2.pdf.jpgGenerated Thumbnailimage/jpeg11117https://repositorio.uniandes.edu.co/bitstreams/111cbb73-4e24-4b0a-b5b2-e423fbf6be6c/download11631b8fc7009e4470e88fd03307ebecMD581992/75171oai:repositorio.uniandes.edu.co:1992/751712024-10-18 03:09:32.152http://creativecommons.org/licenses/by/4.0/Attribution 4.0 Internationalopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |