Entrenamiento de agentes autónomos en Geometry Dash mediante aprendizaje por refuerzo

Abstract

[Resumen] Los videojuegos llevan tiempo siendo uno de los principales ámbitos de aplicación de la inteligencia artificial. Este Trabajo de Fin de Grado se centra en el diseño, la implementación y la evaluación de un sistema de aprendizaje por refuerzo profundo capaz de jugar al videojuego Geometry Dash utilizando únicamente la información visual de la pantalla, sin acceso al código interno del juego. Se propone una arquitectura de agentes que detecta el modo de juego activo y delega el control en el agente especializado correspondiente en tiempo real. Tras comparar varios algoritmos de aprendizaje por refuerzo bajo las mismas condiciones experimentales, se selecciona el más adecuado como punto base del sistema. A partir de ahí, la contribución principal del trabajo es un estudio comparativo de diversas estrategias de adaptación y transferencia de conocimiento, evaluando la capacidad del agente para enfrentarse a escenarios no vistos durante su entrenamiento. Se analizan tanto técnicas de aprendiza je continuo como de meta-aprendizaje, empleando métricas de rendimiento para determinar qué enfoques ofrecen el mejor equilibrio entre velocidad de aprendizaje, rendimiento final y mantenimiento del conocimiento previo. Los resultados obtenidos proporcionan una guía sobre qué estrategia resulta más adecuada en función del objetivo, ya sea conservar el cono cimiento anterior, adaptarse rápidamente a un escenario nuevo o equilibrar ambos.

[Abstract] This Bachelor’s Thesis focuses on the design, implementation, and evaluation of a Deep reinforcement learning system capable of playing the video game Geometry Dash using only visual information from the screen, without access to the game’s internal code. An agent architecture is proposed that detects the active game mode and delegates control to the corresponding specialized agent in real time. After comparing several reinforcement learning algorithms under the same experimental conditions, the most suitable one is selected as the system’s baseline. From there, the main contribution of this work is a comparative study of various adaptation and knowledge trans fer strategies, evaluating the agent’s ability to tackle scenarios unseen during its training. Both continual learning and meta-learning techniques are analyzed, employing performance metrics to determine which approaches offer the best balance between learning speed, final performance, and the retention of prior knowledge. The obtained results provide a guide on which strategy is most appropriate depending on the objective, whether it be preserving previous knowledge, rapidly adapting to a new scenario, or balancing both.