[论文解读] Design and Implementation of TAG: A Tabletop Games Framework

Raluca D. Gaina, Martin Balla+3 more|arXiv (Cornell University)|Sep 25, 2020

Artificial Intelligence in Games参考文献 6被引用 4

一句话总结

本文提出TAG，一个基于Java的框架，用于在现代桌游中开发和基准测试AI智能体，提供统一的API、可重用的游戏组件、基于JSON的游戏定义以及内置的分析工具。该框架支持快速原型开发诸如井字棋、爱之信、瘟疫危机等游戏，并支持多种AI算法（如MCTS和RHEA），推动通用游戏AI、隐藏信息处理以及超参数调优方面的研究。

ABSTRACT

This document describes the design and implementation of the Tabletop Games framework (TAG), a Java-based benchmark for developing modern board games for AI research. TAG provides a common skeleton for implementing tabletop games based on a common API for AI agents, a set of components and classes to easily add new games and an import module for defining data in JSON format. At present, this platform includes the implementation of seven different tabletop games that can also be used as an example for further developments. Additionally, TAG also incorporates logging functionality that allows the user to perform a detailed analysis of the game, in terms of action space, branching factor, hidden information, and other measures of interest for Game AI research. The objective of this document is to serve as a central point where the framework can be described at length. TAG can be downloaded at: https://github.com/GAIGResearch/TabletopGames

研究动机与目标

• 为具有多样化机制和隐藏信息的现代桌游提供标准化的通用游戏AI研究支持。
• 提供一个可重用、可扩展的框架，简化新游戏和AI智能体的实现。
• 支持竞技与合作玩法，包括具有动态规则变化和非对称角色的游戏。
• 通过内置的锦标赛系统、日志记录和可观测性分析（如分支因子、动作空间）促进AI评估。
• 通过可扩展的游戏和智能体接口，鼓励在信念状态学习、超参数调优以及程序化内容生成方面的研究。

提出的方法

• 设计模块化框架，将核心组件（如棋子、骰子、卡牌、计数器、棋盘）抽象为可重用类。
• 实现游戏循环和前向模型，通过受规则和行动顺序控制的动作支持状态转换。
• 提供灵活的API，通过抽象基类定义游戏状态、动作和规则，便于游戏扩展。
• 通过JSON文件支持游戏定义，用于配置和数据导入，减少游戏开发中的样板代码。
• 集成日志记录和分析工具，用于测量游戏复杂度指标，如分支因子、隐藏信息和动作空间。
• 通过标准化接口（如IVectorObservation、IFeatureRepresentation）支持AI智能体集成，便于强化学习和规划算法的使用。

实验结果

研究问题

• RQ1 如何通过统一框架支持具有不同机制、隐藏信息和非对称角色的多样化桌游？
• RQ2 AI智能体在共享机制的游戏之间，通过迁移学习或超参数调优，其泛化能力在多大程度上得以实现？
• RQ3 不同AI算法（如MCTS、RHEA）在多种竞技与合作类桌游中的表现如何？
• RQ4 当游戏状态为部分可观察时，AI智能体能否有效建模信念状态？
• RQ5 程序化内容生成与自动化超参数调优在复杂桌游中如何提升游戏平衡性与AI性能？

主要发现

• TAG成功实现了七款不同的桌游，包括爱之信、Uno和瘟疫危机，充分展示了其通用性与可扩展性。
• 该框架支持详细的游戏分析，包括分支因子和隐藏信息指标，支持AI性能的实证评估。
• 采用MCTS和RHEA的AI智能体在多款游戏中均表现出具有竞争力的性能，结果可通过内置的锦标赛和日志模块获取。
• 向量与特征化观测的引入，使智能体能无缝集成现代基于学习的AI算法。
• 通过ITunableParameters接口支持超参数调优，实现对AI行为与性能的系统性优化。
• 该设计鼓励信念状态学习研究，因AI智能体必须在不追踪历史状态的情况下推断隐藏信息，这与人类认知机制相一致。