DESAIN PERILAKU AKSI MOBIL PADA GAME SIMULASI MENGGUNAKAN REINFORCEMENT LEARNING ACTOR-CRITIC
Abstract
Dalam game simulator mobil, pengambilan keputusan yang tepat dan optimal dalam mengendalikan mobil merupakan tantangan penting. penelitian sebelumnya tentang penggunaan simulator torcs, yang merupakan simulator balap mobil open source, telah berhasil mengembangkan agent AI untuk mobil otonom dengan menerapkan Reinforcement Learning (RL) namun tentu dalam pelatihan agen yang dilakukan oleh algoritma tersebut masih perlu dilakukan penelitian lebih lanjut sehingga Dalam penelitian ini menggunakan metode Reinforcement Learning (RL) Actor-Critic dengan metode Advantage Actor-Critic (A2C) untuk meningkatkan aksi yang dihasilkan oleh agen virtual dalam game simulasi mobil, terutama dalam hal pengaturan kecepatan mobil. Melalui pengumpulan data lingkungan dari simulasi mobil, Reinforcement Learning (RL) Actor-Critic akan dilatih untuk menentukan kecepatan yang sesuai berdasarkan keadaan lingkungan seperti jarak antara mobil, kecepatan saat ini, dan batasan kecepatan pada lintasan. Tahapan penelitian ini mencakup pengumpulan data lingkungan simulasi mobil, preprocessing data untuk mempersiapkannya untuk pelatihan Reinforcement Learning (RL) Actor-Critic, dan implementasi Reinforcement Learning (RL) Actor-Critic dengan menggunakan metode Advantage Actor-Critic (A2C). Selanjutnya, Reinforcement Learning (RL) Actor akan bertanggung jawab untuk memilih tindakan kecepatan yang optimal, sedangkan Critic akan mengevaluasi kinerja dan memberikan umpan balik yang diperlukan.Penelitian ini diharapkan dapat menghasilkan agen virtual dalam car simulator yang mampu mengambil keputusan yang lebih tepat dan optimal dalam pengaturan kecepatan Mobil. Selain itu, penelitian ini juga dapat memberikan kontribusi penting dalam penerapan Reinforcement Learning (RL) Actor-Critic dengan metode Advantage Actor-Critic (A2C) dalam konteks game seperti simulasi mobil.
References
[2] N. Özkurt, T. Yıldırım, Yaşar Üniversitesi, Institute of Electrical and Electronics Engineers. Turkey Section., and Institute of Electrical and Electronics Engineers, 2019 Innovations in Intelligent Systems and Applications Conference (ASYU) : proceedings : 31 October-2 November 2019, Izmir, Turkey.
[3] G. Paczolay and I. Harmati, “A New Advantage Actor-Critic Algorithm for Multi-Agent Environments,” in 2020 23rd IEEE International Symposium on Measurement and Control in Robotics, ISMCR 2020, Institute of Electrical and Electronics Engineers Inc., Oct. 2020. doi: 10.1109/ISMCR51255.2020.9263738.
[4] G. Gomes, C. A. Vidal, J. B. Cavalcante-Neto, and Y. L. B. Nogueira, “A modeling environment for reinforcement learning in games,” Entertain. Comput., vol. 43, Aug. 2022, doi: 10.1016/j.entcom.2022.100516.
[5] A. A. Bin Ramlan, A. M. Ali, N. H. Abdul Hamid, and R. Osman, “The Implementation of Reinforcement Learning Algorithm for AI Bot in Fighting Video Game,” in Proceedings - ISAMSR 2021: 4th International Symposium on Agents, Multi-Agents Systems and Robotics, Institute of Electrical and Electronics Engineers Inc., Sep. 2021, pp. 96–100. doi: 10.1109/ISAMSR53229.2021.9567749.
[6] K. Li, Q. S. Jia, and J. Yan, “An Actor-Critic Method for Simulation-Based Optimization,” in IFAC-PapersOnLine, Elsevier B.V., Jul. 2022, pp. 7–12. doi: 10.1016/j.ifacol.2022.08.040.

