KI-Agenten können in Doom Navigation und Gefechte aus der Egoansicht lernen. Die Forschungsarbeit „Playing FPS Games with Deep Reinforcement Learning“ von Guillaume Lample und Devendra Singh Chaplot beschreibt dafür eine Architektur, die visuelle Eingaben auswertet und mit Deep Reinforcement Learning verbindet.
Das Modell verarbeitet den Bildschirminhalt und lernt daraus Bewegungen, Wegfindung und Angriffe. Zusätzlich werden Merkmale wie sichtbare Gegner oder Gegenstände während des Trainings berücksichtigt. Die Forscher teilen die Architektur in Module für verschiedene Phasen des Spiels auf, damit einzelne Aufgaben getrennt trainiert werden können.
Doom als Testumgebung für 3D-Agenten
Die Methode wurde in einer 3D-Egoansicht erprobt, in der der Agent nicht den vollständigen Zustand der Spielwelt kennt. Laut der zeitgenössischen Einordnung zum Doom-Wettbewerb gelang es den Agenten, auf Beschuss zu reagieren, in Deckung zu gehen und sich zu ducken. Die Arbeit vergleicht die Ergebnisse mit der eingebauten Spiel-KI und mit menschlichen Spielern.
Für Game-Development-Forschung ist der Ansatz interessant, weil er nicht auf speziell gesetzte Regeln für jede einzelne Reaktion angewiesen ist. Die Eingabe entspricht weitgehend dem, was auch ein Spieler auf dem Bildschirm sieht. Damit entsteht ein Testfeld für Navigation und Verhalten in komplexeren Spielräumen. Ein älterer Beitrag zu Compilergrundlagen in der Spieleentwicklung behandelt eine andere technische Basis der Laufzeitlogik.