AMD Schola
AMD Schola 是一个用于在 Unreal Engine 中开发强化学习 (RL) 代理并使用您喜欢的 Python 基础 RL 框架进行训练的库。
介绍 AMD Schola
如果您能够将尖端的强化学习（RL）算法直接集成到您的游戏项目中——无需冗长的变通方法或从头开始重建环境——那会怎么样？
AMD Schola 将使之成为现实。通过连接流行的开源 RL 库（用 Python 编写）和虚幻引擎的视觉和物理能力，Schola 使 AI 研究人员和游戏开发者都能突破智能游戏体验的界限。
挑战：连接研究与游戏开发
AI 研究人员通常在孤立的模拟环境或库中开发复杂的 RL 算法，但在将这些解决方案移植到实际游戏中时会遇到挑战。
与此同时，旨在为非玩家角色（NPC）添加智能行为的游戏开发者通常必须从头开始——创建新的 AI 逻辑，或尝试复杂集成，而文档却很少。
这为什么重要？
-
它减缓了创新：有前途的研究仍然局限于学术界。
-
它增加了复杂性：开发者必须复制算法，或将其他地方训练好的模型塞入现有游戏机制，导致结果不尽如人意。
一款潜行游戏的例子
想象一款带有 NPC 守卫的潜行游戏，开发者必须在守卫始终确切地知道玩家在哪里（使游戏困难且不现实）和几乎没有警惕性（使其过于容易）之间取得艰难的平衡。
借助 Schola，这些守卫可以学会逼真的行为——例如有条不紊地搜寻玩家，或智能地响应可疑事件。这个灵活的 AI 开发工具包将游戏性从可预测变为身临其境。
设想更智能的游戏体验
对于游戏开发者
-
更具吸引力的 NPC：NPC 实时适应玩家的行为，带来动态游戏玩法，让玩家保持投入。
-
更快的原型制作：借助 Schola，您可以试验各种 RL 驱动的行为，并在虚幻编辑器中快速测试它们。
对于 AI 研究人员
-
直接虚幻集成：利用虚幻引擎的高级物理、渲染和资产库。
-
简化的工作流程：不再需要拼凑原型并移植它们。在您将用于最终部署的同一环境中训练、测试和优化 RL 算法。
AMD Schola 的优势
Schola 支持两种流行的开源 RL 库（RLlib 和 Stable-Baselines3）以及 Gymnasium API，对于熟悉这些工具的任何人来说都非常易于上手。它提供
-
多种 RL 库集成：无需学习新 API，即可无缝切换或组合您最喜欢的 RL 框架。
-
即时虚幻引擎兼容性：所有训练、测试和调试都可以在虚幻丰富的生态系统中直接进行——无需重建环境。
-
易于设置和文档：我们的在线 API 文档将指导您完成 Schola 的安装和使用过程，以便您可以更快地开始训练您的模型。
展示技术
如果您想一窥 Schola 的实际应用，请查看我们的 示例。您将看到 RL 模型如何创造更自然的行为和动作。
下面的技术设计图详细说明了 Schola 如何与虚幻引擎和 RL 库进行通信。
入门和采取行动
我们提供多种方式供您探索 Schola，每种方式都适合不同程度的兴趣或专业知识。
-
安装插件
- 将 Schola 引入现有的虚幻项目，即可立即开始尝试 RL 驱动的 NPC。
-
尝试我们的示例环境
- 从 GPUOpen 在 GitHub 下载示例——例如 MazeSolver、Tag、Pong 和 BallShooter——在虚幻编辑器中亲眼看看 RL 驱动的游戏玩法。
-
探索我们的文档
- 在此处的 GPUOpen 上查看我们的 官方文档，其中包含有关 从头开始构建自定义环境 的分步教程，并了解有关 Python 和 Unreal 中高级功能的更多信息 Python 和 Unreal。
-
贡献和参与
- 访问我们用于 Schola 的 公开 GitHub 存储库，以访问源代码、报告错误和请求新功能。我们重视社区反馈，并欢迎 pull requests。
展望未来
通过融合开源 RL 工具和虚幻引擎的优势，Schola 为游戏中的下一代 AI 开辟了新的途径。研究人员可以专注于优化算法，而开发者可以轻松地实现它们，以获得更具沉浸感和适应性的游戏体验。
请继续关注新功能、指南和示例，以不断提升您构建沉浸式 AI 的能力！
准备好看看 AMD Schola 能为您的项目带来什么了吗？
-
加入 GitHub 社区，并帮助塑造 AI 驱动 NPC 的未来。
我们迫不及待地想看到您将用 Schola 创造出的开创性想法和智能游戏世界。
有用链接
| AMD Schola 主页 | AMD Schola 文档在此 GPUOpen 上 |
|---|---|
|  |
