Этот проект представляет нейросетевого агента, который автоматически играет в игру Stack в реальном времени.
Агент захватывает изображение с эмулятора, распознаёт позицию плитки и выполняет точные клики в нужный момент.
- Агент анализирует игровое поле и распознаёт положение плитки с высокой точностью.
- Онлайн обучение позволяет улучшать модель во время игры, собирая дополнительные данные.
- После финального обучения агент способен стабильно набирать 500+ очков, даже если первые несколько кликов намеренно ошибочны.
- Используется самописная библиотека для сетей.
- Для запуска игры используется эмулятор BlueStacks 5.
- Рекомендуемые настройки:
- Включить виртуализацию.
- Внутри настройках эмулятора поставить разрешение: 480×854 и 180 DPI.
- При использования масштабирования в системе 150%, внутри эмулятора поставить 100% масштабирование; При масштабировании в 100% в системе, поставить масштабирование 150% в эмуляторе и т.д.
- Скорость эмулятора: стандартная
- Настройка окна: фиксированная позиция на экране (для корректного захвата скриншотов)
- Эмулятор и игра должны быть запущены до старта агента.
-
Запустить и настроить эмулятор.
-
Скачать, установить игру. После установки запустить и купить скин Platinum любыми удобными способами. Это обязательно при использовании заранее обученных моделей. При желании можно выбрать любой удобный скин, собрать данные при помощи онлайн обучения и дообучить базовые модели.
-
Проверить работу агента:
python nn_test.py
| Модель | Время инференса (мс) | Примечание | precison | recall | f1 | accuracy | thr | Количество параметров |
|---|---|---|---|---|---|---|---|---|
final_agent |
3.5 | Основная модель | 0.997 | 0.997 | 0.997 | 0.999 | 0.56 | 1.3M |
game_over_net |
1.5 | Определяет конец игры | 1.0 | 1.0 | 1.0 | 1.0 | 0.78 | 46K |
success_net |
4.18 | Проверяет идеальные попадания | 1.0 | 0.999 | 0.999 | 0.999 | 0.95 | 1.6M |
Пайплайн полностью укладывается в 10 мс на кадр, что обеспечивает реалтайм-игру.
-
Python 3.9+
-
BlueStacks 5
-
При установке cupy обязательно использовать версии совместимые с cuda. Например:
pip install cupy-cuda12x
-
Проект использует самописную библиотеку для нейросетей, которая не доступна через pip
Репозиторий библиотеки: ссылка на репозиторий -
Установить зависимости для использования агента:
pip install -r requirements.txt
В классических задачах машинного обучения модель оценивают по test-set, однако в задачах игрового агента такое тестирование малоинформативно. Причина — смещение распределения: датасет фиксирован и отражает только прошлые ситуации, тогда как реальная игра содержит куда более широкий и динамичный спектр состояний.
Чтобы избежать этой проблемы, я использовал онлайн-оценку: модель проверялась непосредственно в игре.
Это позволяет:
-
измерять качество на реальных состояниях, а не на замороженной выборке;
-
выявлять провалы модели, которые не встречаются в датасете;
-
гарантировать, что модель оптимизируется под фактическое поведение среды.
Так как целью модели является играть лучше, а не показывать лучший loss на тесте, онлайн-проверка даёт более точную и практически полезную метрику.
- Для подробностей о сетях, архитектурах и логике онлайн обучения см. development.md