Цель: Разработать модель с использованием алгоритмов обучения с подкреплением (Reinforcement Learning), способную эффективно преодолевать трассы в нашей игре. Игра является аналогом
Hill Climb Racing и реализована в формате Telegram Mini App с динамически генерируемыми трассами.
Основные задачи:- Адаптация сложности трасс: Настроить модель так, чтобы она могла оценивать сложность трасс и корректировать параметры генерации для обеспечения оптимального опыта пользователей.
- Анализ проходимости: Определить, насколько далеко пользователь может пройти до исчерпания топлива, учитывая, что заправка связана с пейволлом.
Требования к модели:- Использование RL: Алгоритмы обучения с подкреплением должны быть задействованы для адаптации модели к особенностям случайно генерируемых трасс.
- Интеграция с игровым процессом: Модель должна получать состояние игры и отправлять действия (например, газ, тормоз) в реальном времени.
- Аналитика и визуализация: Обеспечить инструменты для анализа данных прохождения и визуализации статистики.
Возможные подходы к реализации:- JavaScript:
- Интеграция модели непосредственно в игру, если это технически возможно.
- Python + Selenium:
- Использование Selenium для автоматизации взаимодействия с игрой через веб-интерфейс Telegram.
