Разработать RL модель для эффективного прохождения гоночной игры
Other
Бюджет: 9999 руб.
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.
