用于竞速类AI模型的AI参数配置方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种用于竞速类AI模型的AI参数配置方法、装置、设备及存储介质，属于人工智能领域。该方法包括：获取第n代参数集合，每代参数集合中包含m套AI参数，每套AI参数用于指示赛车AI模型在赛道上的行进方式，n≥1，m≥2；根据m套AI参数控制赛车AI模型进行m次适应度测试，得到m个适应度，适应度与赛车AI模型根据AI参数在赛道上的行进距离呈正相关关系；若m个适应度均小于适应度阈值，则根据第n代参数集合生成第n+1代参数集合；若m个适应度中存在大于适应度阈值的目标适应度，则将目标适应度对应的AI参数配置为目标AI参数。本申请实施例采用遗传算法实现AI参数的自动调整，提高了调整及配置AI参数的效率。

AI parameter configuration method, device, device and storage medium for racing AI model

The application discloses an AI parameter configuration method, device, device and storage medium for a race AI model, belonging to the field of artificial intelligence. The method includes: acquiring the nth generation parameter set, each generation parameter set contains M sets of AI parameters, each set of AI parameters is used to indicate the way the car AI model travels on the track, n < 1, m < 2; according to the M sets of AI parameters control car AI model fitness test, get m fitness, fitness and car AI model according to AI parameters. If m fitness is less than the fitness threshold, then the n+1 parameter set is generated according to the n-th generation parameter set; if M fitness has the target fitness greater than the fitness threshold, the AI parameter corresponding to the target fitness is configured as the target AI parameter. The embodiment of the application adopts genetic algorithm to realize automatic adjustment of AI parameters and improves the efficiency of adjusting and configuring AI parameters.

【技术实现步骤摘要】
用于竞速类AI模型的AI参数配置方法、装置、设备及存储介质
本申请实施例涉及人工智能(ArtificialIntelligence，AI)领域，特别涉及一种用于竞速类AI模型的AI参数配置方法、装置、设备及存储介质。
技术介绍
在竞速类游戏应用中，大量游戏场景下需要引入赛车AI。比如，在单机模式或玩家匹配不足的情况下，需要引入若干赛车AI与真实玩家进行竞速。为了使赛车AI达到更加真实的模拟效果，开发人员开发出赛车AI模型后，需要为赛车AI模型配置一套AI参数。在一种AI参数配置方式中，开发人员初始化一套AI参数，并指示赛车AI模型根据该AI参数在赛道上行进；通过查看分析赛车AI模型的行进效果，开发人员对AI参数进行调整，从而在反复模拟和AI参数调整后，最终得到符合开发人员预期效果的AI参数。采用上述方式配置AI参数时，由于一套AI参数中包含大量参数，且参数之间存在耦合，因此通过人工调整AI参数需要耗费大量时间，导致AI参数的配置效率较低。
技术实现思路
本申请实施例提供了一种用于竞速类AI模型的AI参数配置方法、装置、设备及存储介质，可以解决相关技术中，通过人工调整AI参数需要耗费大量时间，导致AI参数的配置效率较低的问题。所述技术方案如下：第一方面，提供了一种用于竞速类AI模型的AI参数配置方法，所述方法包括：获取第n代参数集合，每代参数集合中包含m套AI参数，每套AI参数用于指示赛车AI模型在赛道上的行进方式，n≥1，m≥2；根据所述m套AI参数控制所述赛车AI模型进行m次适应度测试，得到m个适应度，所述适应度与所述赛车AI模型根据所述AI参数在赛道上的行进距离呈正相关关系；若所述m个适应度均小于适应度阈值，则根据所述第n代参数集合生成第n+1代参数集合；若所述m个适应度中存在大于所述适应度阈值的目标适应度，则将所述目标适应度对应的AI参数配置为目标AI参数。第二方面，提供了一种用于竞速类AI模型的AI参数配置装置，所述装置包括：获取模块，用于获取第n代参数集合，每代参数集合中包含m套AI参数，每套AI参数用于指示赛车AI模型在赛道上的行进方式，n≥1，m≥2；测试模块，用于根据所述m套AI参数控制所述赛车AI模型进行m次适应度测试，得到m个适应度，所述适应度与所述赛车AI模型根据所述AI参数在赛道上的行进距离呈正相关关系；生成模块，用于当所述m个适应度均小于适应度阈值时，根据所述第n代参数集合生成第n+1代参数集合；配置模块，用于当所述m个适应度中存在大于所述适应度阈值的目标适应度时，将所述目标适应度对应的AI参数配置为目标AI参数。第三方面，提供了一种AI参数配置设备，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器执行以实现如第一方面所述的用于竞速类AI模型的AI参数配置方法。第四方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器执行以实现如第一方面所述的用于竞速类AI模型的AI参数配置方法。第五方面，提供了一种计算机程序产品，当该计算机程序产品被执行时，其用于执行上述第一方面所述的用于竞速类AI模型的AI参数配置方法。本申请实施例提供的技术方案带来的有益效果包括：通过获取包含m套AI参数的第n代参数集合，并根据m套AI参数控制赛车AI模型进行m次适应度测试，从而在测试得到的m个适应度均小于适应度阈值时，根据第n代参数集合生成第n+1代参数集合并进行下一轮适应度测试，直至测试得到的m个适应度中存在大于适应度阈值的目标适应度时，根据目标适应度对应的AI参数完成目标AI参数配置；相较于通过人工调整AI参数，采用遗传算法实现AI参数的自动调整，提高了调整及配置AI参数的效率；并且，采用遗传算法调整AI参数时的参数覆盖率更高，有利于提高AI参数的质量。附图说明为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1示出了服务器匹配游戏AI过程的实施示意图；图2是本申请实施例提供的AI参数配置方法的流程示意图；图3示出了本申请一个实施例提供的AI参数配置方法的流程图；图4是对曲线进行值编码的实施示意图；图5示出了本申请另一个实施例提供的AI参数配置方法的流程图；图6示出了本申请另一个实施例提供的AI参数配置方法的流程图；图7是对母体AI参数进行单点交叉操作的实施示意图；图8是对母体AI参数进行双点交叉操作的实施示意图；图9是对AI参数进行突变操作的实施示意图；图10是图5所示AI参数配置方法所涉及的适应度测试过程的流程图；图11是调取相关代码模块进行适应度测试的实施示意图；图12是用于表示迭代次数与适应度之间对应关系的曲线图；图13示出了本申请另一个实施例提供的AI参数配置方法的流程图；图14示出了本申请另一个实施例提供的AI参数配置方法的流程图；图15示出了本专利技术一个实施例提供的AI参数配置装置的框图；图16示出了本专利技术一个实施例提供的AI参数配置设备的结构示意图。具体实施方式为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。为了方便理解，下面对本申请实施例中涉及的名词进行解释。AI参数：用于指示AI模型执行指定操作的一系列参数。本申请实施例中，该AI参数是用于指示赛车AI模型在指定赛道上行进的参数。在其他应用场景下，该AI参数还可以是用于指示三维人体AI模型行进至指定地点或执行指定动作的参数。适应度：在遗传学领域，适应度指生物个体对环境的适应程度，而在本申请实施例中，适应度指赛车AI模型根据AI参数在指定赛道上行进距离，其中，AI参数的适应度越高，表示赛车AI模型根据AI参数在赛道上的行进距离越远，反之表示赛车AI模型的行进距离越近。母体AI参数：在遗传学领域，母体是指孕育下一代的生物个体，而在本申请实施例中，母体AI参数则是指用于生成下一代AI参数的一组AI参数，而由母体AI参数生成的下一代AI参数则被称为子代AI参数。交叉：在遗传学领域，子代的基因一部分来自于父亲，另一部分来自母亲，交叉即表示这一基因遗传的过程。本申请实施例中的交叉是指两套母体AI参数中部分AI参数相互置换，从而生成两套子代AI参数的过程。其中，每套子带AI参数中的部分AI参数来自其中一套母体AI参数，其余部分则来自另一套母体AI参数。突变：在遗传学领域，突变是指生物个体的某一基因受到环境等因素影响而发生改变，从而产生不同于上一代基因的现象，适当的突变有利于提高基因的多样性。本申请实施例中的突变是指子代AI参数中的某一参数发生变化，从而产生不同于母体AI参数的参数。其中，AI参数发生突变的概率与预设突变概率相关。灾变：在遗传学领域，灾变是指生物群体发生的难以预料的灾难变化。本申请实施例中的灾变分为小灾变和大灾变。其中，小灾变是指适应度最高的AI参数被去除，大灾变则是指参数集合本文档来自技高网...

【技术保护点】
1.一种用于竞速类AI模型的AI参数配置方法，其特征在于，所述方法包括：获取第n代参数集合，每代参数集合中包含m套AI参数，每套AI参数用于指示赛车AI模型在赛道上的行进方式，n≥1，m≥2；根据所述m套AI参数控制所述赛车AI模型进行m次适应度测试，得到m个适应度，所述适应度与所述赛车AI模型根据所述AI参数在赛道上的行进距离呈正相关关系；若所述m个适应度均小于适应度阈值，则根据所述第n代参数集合生成第n+1代参数集合；若所述m个适应度中存在大于所述适应度阈值的目标适应度，则将所述目标适应度对应的AI参数配置为目标AI参数。

【技术特征摘要】
1.一种用于竞速类AI模型的AI参数配置方法，其特征在于，所述方法包括：获取第n代参数集合，每代参数集合中包含m套AI参数，每套AI参数用于指示赛车AI模型在赛道上的行进方式，n≥1，m≥2；根据所述m套AI参数控制所述赛车AI模型进行m次适应度测试，得到m个适应度，所述适应度与所述赛车AI模型根据所述AI参数在赛道上的行进距离呈正相关关系；若所述m个适应度均小于适应度阈值，则根据所述第n代参数集合生成第n+1代参数集合；若所述m个适应度中存在大于所述适应度阈值的目标适应度，则将所述目标适应度对应的AI参数配置为目标AI参数。2.根据权利要求1所述的方法，其特征在于，所述根据所述第n代参数集合生成第n+1代参数集合，包括：根据所述m个适应度，从所述m套AI参数中选择两套母体AI参数；对所述两套母体AI参数进行交叉和突变，得到两套子代AI参数；将所述两套子代AI参数添加到所述第n+1代参数集合。3.根据权利要求2所述的方法，其特征在于，所述根据所述m个适应度，从所述m套AI参数中选择两套母体AI参数，包括：计算所述m个适应度与预设适应度之间的适应度差值，所述预设适应度小于等于所述m个适应度中的最低适应度；根据所述适应度差值，确定所述m个适应度中各个适应度对应的AI参数的选取概率，所述选取概率与所述适应度差值呈正相关关系；根据所述选取概率从所述m套AI参数中选择所述两套母体AI参数。4.根据权利要求2所述的方法，其特征在于，所述m套AI参数采用数值编码，所述对所述两套母体AI参数进行交叉和突变，得到两套子代AI参数，包括：采用预定交叉方式对所述两套母体AI参数中的参数值进行交叉操作，所述预定交叉方式包括单点交叉和双点交叉；根据预设突变概率，对交叉操作后所述两套母体AI参数中的参数值进行突变操作，得到所述两套子代参数，其中，经过突变操作的参数值的突变量属于预设突变量范围。5.根据权利要求1所述的方法，其特征在于，所述根据所述m套AI参数控制所述赛车AI模型进行m次适应度测试，得到m个适应度，包括：调用所述赛车AI模型的相关代码模块，所述相关代码模块至少包括AI代码模块、赛车代码模块和物理代码模块，所述AI代码模块用于根据AI参数控制所述赛车AI模型在赛道上行进，所述赛车代码模块用于更新所述赛车AI模型在赛道上的位置，所述物理代码模块用于处理所述赛车AI模型与赛道之间的碰撞；将所述m套AI参数输入所述相关代码模块，并行控制m个所述赛车AI模型进行预定时长的适应度测试，其中，进行适应度测试时赛车间碰撞机制关闭；根据所述赛车AI模型在赛道上的所述行进距离确定所述适应度。6.根据权利要求2至4任一所述的方法，其特征在于，所述根据所述第n代参数集合生成第n+1代参数集合，还包括：对所述m个适应度进行降序排序；将排序后前k个适应度对应的k套AI参数添加到所述第n+1代参数集合，1≤k＜m，k为整数。7.根据权利要求2至4任一所述的方法，其特征在于，所述根据所述第n代参数集合生成第n+1代参数集合之前，所述方法还包括：每隔i代参数集合，获取所述i代参数集合的最大适应度；检测所述最大适应度的提升幅度是否小于幅度阈值；若所述提升幅度小于所述幅度阈值，则对所述第n代参数集合进行灾变处理；所述根据所述第n代参数集合生成第n+1代参数集合，包括：根据灾变处理后的所述第n代参数集合生成所述第n+1代参数集合。8.根据权利要求7所述的方法，其特征在于，所述对所述第n代参数集合进行灾变处理，包括：对所述m个适应度进行降序排序；删除将排序后前j个适应度对应的j套AI参数，1≤j＜m，j为整数；或，将所述第n代参数集合中各套AI参数的突变概率上调预定数值，其中，上调所述突变概率后，根据所述第n代参数集合生成所述第n+1代参数集合时发生参数突变的概率增加。9.一种用于竞速类AI模型的AI参数配置装置，其特征在于，所述装置包括：获取模块，用于获取第n代参数集合，每代参数集合中包含m套AI参数，每套AI参数用于指示赛车AI模型在赛道上的行进方式，n≥1，m≥2；测试模块，用于根据所述...

【专利技术属性】
技术研发人员：赖贵雄，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44