面向自动驾驶测试场景生成的博弈神经网络算法

为提高自动驾驶车辆虚拟测试场景的可解释性和高风险场景覆盖度,提出了一种将博弈论与神经网络相结合的虚拟测试场景生成算法SIG-GAN(social interactive gaming-generative adversarial network)。以高速匝道合流场景为例,通过捕捉匝道汇入车辆与主车道行驶车辆的交互特征,构建汇入交互博弈模型。利用汇入数据获得车辆优先通行概率来计算博弈策略的纳什均衡求解,并融入S-GAN神经网络模型中进行轨迹生成。同时引入PICT(pairwise independent combinatorial testing)模型对观测区域交互车辆的真实轨迹进行组合测试,结合SIG-GAN算法生成大量具有现实博弈交互行为的高风险交互轨迹。通过与LSTM、S-LSTM、S-GAN等轨迹生成算法进行对比实验,结果显示:(1)模型较其他算法在3.2 s与4.8 s时域下,生成轨迹ADE平均下降25.30%、18.98%、7.02%,FDE平均下降17.33%、16.06%、7.65%,生成精度更为准确;(2)通过组合测试后生成轨迹数量为原始的150倍,覆盖度更高。生成轨迹与原轨迹的碰撞时间(time to collision,TTC)分别集中在1.0577 s、3.5135 s,场景风险程度更大,对自动驾驶汽车的虚拟场景强化测试具有实际意义。

一类新的网络游戏场景3D障碍信息表达方案

针对传统网络游戏的2D场景向3D场景演化过程中游戏服务器所面临的障碍信息存储和访问的技术难题,提出伪3D和真3D 2种解决方案。伪3D方案通过对原2D方案的数据结构和寻路算法进行扩展,在2D数据逻辑基础上实现3D游戏场景。真3D方案将原2D场景的数据存储方案在纵向维度上完全扩展,再应用RLE压缩算法,解决纵向扩展带来的数据膨胀问题,同时兼顾访问效率。研究结果表明:伪3D方案适用于非完全自由、有限层可表达的3D场景,完全兼容原2D数据存储格式、寻路算法及功能模块接口,具有开发周期短、实施成本低的优势;真3D方案适用于完全自由、无限层可表达的3D场景,能够满足复杂的3D场景需求,并在空间效率和时间效率方面取得了较好平衡,可实现大型3D网络游戏场景障碍信息高效表达及访问的需要。

基于深度学习的个性化网吧游戏推荐

与传统推荐模型相比,深度学习可以更好地理解用户需求、项目特征及用户与项目之间的互动性,从而更有效地发现用户和项目之间的匹配关系。将深度神经网络应用于网吧游戏推荐场景,分析用户的个人偏好,根据时间推移兴趣的变化,对用户历史游戏行为记录进行建模训练,为用户提供个性化Top-N游戏推荐。基于深度神经网络设计训练模型,输入层采用对用户历史行为数据处理后的用户偏好向量,隐藏层运用ReLU激活函数的多层网络,输出层则采用逻辑回归的Softmax结构,最终运用带L2规范项的代价函数评估学习到的模型可靠性。在真实数据集下的实验结果表明,随着隐藏层的增加,该方法能明显降低均方根误差,且能提高召回率。