Agent de Deep Reinforcement Learning pour Pac-Man utilisant DQN & PPO avec extraction de features par CNN et curriculum learning.
PacManRL applique un ensemble de techniques d'intelligence artificielle au jeu Pac-Man. Le projet ne se concentre pas sur l'IA pour le jeu vidéo en soi, mais illustre des concepts fondamentaux : recherche informée dans un espace d'états, inférence probabiliste, apprentissage par renforcement profond (DQN & PPO) et systèmes multi-agents. Ces concepts sous-tendent des domaines applicatifs réels comme le traitement du langage naturel, la vision par ordinateur et la robotique.
Implémentation d'agents DQN et PPO pour le contrôle de Pac-Man
Extraction de features par réseaux convolutifs (CNN)
Mise en place d'un curriculum learning progressif
Conception d'un système multi-agents pour le contrôle simultané de Pac-Man et des fantômes
Visualisation des résultats et des politiques apprises
Comparaison des performances entre les différentes approches d'IA
