Técnicas de inteligencia artificial aplicadas en entornos simulados complejos

Abstract

[Resumen] Los videojuegos en 3D ofrecen entornos experimentales excelentes para comparar distintastécnicas de inteligencia artificial en contextos caracterizados por una elevada complejidad perceptiva y temporal. En este trabajo se analizan tres enfoques: la planificación jerárquica de tareas (HTN), el aprendizaje por imitación (IL) y el aprendizaje por refuerzo (RL), empleando el videojuego Minecraft como entorno de simulación. La objetivo común elegida consiste en localizar y talar al menos cinco troncos bajo restricciones de mínima omnisciencia; para ello se utiliza una arquitectura multientorno que integra Node.js y Python. Los resultados muestran que el conocimiento experto es el principal factor diferencial: el HTN alcanza un 100 % de éxito, el IL basado en redes recurrentes un 52 %, y el mejor algoritmo de RL (PPO) un 12 %. Como trabajo futuro, se propone utilizar el HTN como tutor del agente de RL para combinar las fortalezas de ambos paradigmas.

[Abstract] Three-dimensional video games provide an ideal testing ground for comparing artificial intelligence techniques in scenarios with high perceptual and temporal complexity. This work compares three paradigms: Hierarchical Task Network (HTN) planning, imitation learning (IL), and reinforcement learning (RL), using the video game Minecraft as a simulation environment. The common objective consists of locating and chopping at least five logs under limited perception constraints; to this end, a multi-environment architecture integrating Node.js and Python is used. Results show that expert knowledge is the main differentiating factor: the HTN achieves a 100 % success rate, the IL based on recurrent networks a 52 %, and the best RL algorithm a 12 %. As future work, it is proposed to use the HTN as a tutor for the RL agent to combine the strengths of both paradigms.