近日，Reddit网友在2005年发售的经典游戏《极品飞车9：最高通缉》中搭建CNN模型让AI驾驶1700多个点赞，可以说是机器学习分论坛最高的帖子了。至于效果……宽阔的马路上，AI开起来还算顺畅，但时不时会“拉蛇”……好在车速控制得好，不会轻易吸引“警察”的注意。虽然是游戏机制的一部分，但想要干掉这些追逐的警车，玩家在手动操作的时候几乎总是让人感觉筋疲力尽，手指酸痛。尤其是随着追击等级的提升，对付??的将不再是那些老旧的巡逻车，而是重型SUV甚至是直升机，逃生难度会急剧上升。大概是因为训练数据的缘故，当AI在路上遇到障碍物时，它的表现和人类玩家一模一样：AI字典里没有“躲”这个词。点击方向，微调路线，瞄准直击才是王道！从路牌到三角锥，一个都不能错过。项目很简单，但是数据不够。“DeepForSpeed”基于Python3.9和Pytorch1.10。您只需要安装Numpy和Matplotlib库。作者表示，这个项目的想法来自于Nvidia项目的灵感。在论文中，Nvidia仅使用单个卷积神经网络而不是一堆令人眼花缭乱的算法制作了一辆自动驾驶汽车。根据基础设施作者的说法，他的项目的工作流程非常简单。程序会先将游戏中的测速仪表盘、小地图、可视路面记录存储为一个numpy数组，然后调用np.load()函数进行处理！模型中的play.py和play_util.py函数本质上是键盘输入模拟器，将AI自动驾驶结果模拟为物理键盘输入来控制游戏。不过可能是参考的项目比较老。这里，游戏只能调整为分辨率为800x600的窗口，在屏幕左上角运行。创建和处理数据使用模型项目作者说，他们花了两周的时间来获得模型的工作原型，又用了两周的时间来修改模型以使其可供其他用户使用。项目总投入时间约1个月。其中，训练数据集的收集可以说是最难的部分。作者说，玩游戏20个小时收集的数据，因为模型变化的频率和幅度，最后只能用到2个小时的数据。项目的开源部分也是因为需要扩充训练数据集：想扩充数据包，自己做不到。不过，如果能让大家一起玩，说不定有小伙伴做一个更大的训练数据集，训练自己的模型，然后分享给他。因此，作者也模仿了原版游戏《MostWanted》的名字，给该项目起了个外号——“DeepForSpeed:DataWanted”。作为最终目标，项目作者还想让他的CNN项目成为一个通用的平台/接口，可以试验多种架构。让玩家和其他玩家在体验模拟器娱乐的同时，试验自己制作的其他神经网络。极品飞车：最高通缉《极品飞车：最高通缉》（NeedForSpeed:MostWanted），是游戏界知名厂商美国艺电（EA）推出的《极品飞车系列》赛车游戏的第九部作品。它于2005年11月15日在美国开始销售。当年一开局就失去心爱的“宝驹”BMWM3GTR，着实让我难受了好久。尤其是从未来最基础的汽车开始，堪称教科书式的“摩托车改装”……游戏结合了沙盒开放世界、警匪奔跑追逐模式、子弹时间视效、玩家改装车辆。.这些特殊功能在几乎所有主要游戏厂商还在从事参与式电影游戏项目的时代走在了前列。除了Windows版，游戏还推出了GameCube、GBA、NDS、PlayStation2、PSP、Xbox、Xbox等游戏主机平台的相应版本。2009年底游戏全平台销量达到1600万套，是整个极品飞车系列最畅销的作品，也是单机赛车游戏作品中销量最高的在当时世界上的非独家平台上。游戏的女主角是超级火辣的阿姨JosieMaran。在2000年代，她曾短暂地从超模转型为演员。走红失败后，她改做化妆品品牌，终于成功了。在当年的游戏媒体网站上也广受好评。Metacritic和GameRankings均给予它82分的高分（满分100分）。Eurogamer称其为“令人惊叹的视觉效果”，GameSpot给它8.4分（满分10分），并称赞游戏的“锐利画面”和“出色的音效”，但批评游戏的AI起初太简单，后来太难了.有国内玩家想回忆童年，又拿出来玩了一遍，评价是：“速度感还是一流的，偏黄、模糊的光影和粒子效果掩盖了粗糙感很多场景，这是相当讨人喜欢的。“不过，由于这款游戏画质一般，但游戏操作系统依旧犀利，刚好符合机器学习模型个人开发者的要求：因为画质一般，对硬件要求不高，个人买得起；因为游戏还是很好玩的，训练AI模型玩还是很有价值的论文链接：https://arxiv.org/abs/1604.07316在论文中，作者训练了一个卷积神经网络（CNN）来直接将单个前置摄像头的原始像素映射到转向命令中。使用非常少人类数据，AI可以学习驾驶汽车，即使是在没有标志或清晰视觉引导的地方。作者没有训练AI检测道路边界，而是使用人类转向角作为训练检测有用的信号ul道路特征，以便AI可以学习内部表征。与车道标记检测、路径规划和控制等问题的显式分解相比，Nvidia提出的端到端系统同时优化了所有处理步骤。根据作者的说法，这种方法可以带来更好的性能和更小的系统。其中，内部自优化，可以最大化整个系统的性能，而不是优化人为选择的中间标准，例如车道检测。在训练过程中，图像首先被送入CNN网络，然后计算转向命令。之后，将该指令与图像的预期指令进行比较，调整CNN的权重，使CNN的输出更接近期望的输出。其中，权重调整是通过反向传播来完成的。一旦经过训练，神经网络就可以从视频图像中生成正确的转向命令。网友：和FSD差不多！“游戏中的AI驾驶表现优于加州道路上的大多数人类司机。”“游戏中的AI驾驶，简直堪比特斯拉FSD！太厉害了！”网友：“大哥做的不错，你马里奥有赛车版吗？我愿意出钱。”项目作者：“好吧，如果我可以在玩马里奥卡丁车时录制屏幕，它可能会起作用。”“不要把这个作为软件升级拉动卖给苔丝”
