极品飞车9作弊器|低端AI车神？网友在《极品飞车9》中使用单台CNN开车

最近有网友在2005年发布的经典游戏《极品飞车9：最高通缉》中搭建了一个CNN模型，让AI驱动。拥有超过1700的点赞，算是目前贴文最高的了。机器学习小节。

至于疗效……

在开阔的山路上，AI行驶还算平稳，但经常“画蛇”……好在车速控制得很好，不会轻易引起“警察”的注意。其实这也是游戏机制的一部分，但是为了摆脱那些追着他们的警车，玩家几乎每次自动操作都会让人感到憔悴和手指僵硬。尤其是随着搜索等级的提高，不再是那些老旧的执勤车辆，而是轻型SUV甚至直升机，逃生难度更是暴涨。

可能是因为训练数据的原因，当AI在路上遇到障碍物时，它的行为几乎和人类玩家一模一样：AI字典中不存在“隐藏”这个词。轻点方向，微调路线，瞄准直接命中才是王道！

从路牌到三角锥，一个都不能错过。

项目很简单，但是数据不够

“”基于3.9和1.10，只需要安装Numpy和库即可。笔者表示，这个项目的想法来自于英伟达项目的灵感。在论文中，英伟达用一个前馈神经网络而不是一堆闪亮的算法制造了一辆手动驾驶汽车。

基础设施作者说他们项目的工作流程很简单。程序会先将游戏中的速度仪表盘、小地图和直观桥牌记录下来并存储为一个numpy链表，然后调用np.load()函数进行处理！模型中的play.py和.py函数本质上是鼠标输入模拟器，将AI的手动驾驶结果模拟成数学按钮输入来控制游戏。但是，可能是作为参考的项目比较老。这里只能将帧率调整为游戏的窗口放在屏幕左上角运行。

创建和处理数据

Using 项目的作者说，制作模型的工作原型需要两周时间，而要更改模型以供其他用户使用，又需要两周时间。项目总投入时间约1个月。

其中，训练数据集的收集可以说是最困难的部分。作者表示，在玩游戏20小时内收集的数据，由于模型变化的频率和幅度，最终只能使用两个小时的数据。

项目开源部分也是由于需要扩展训练数据集：我想扩展数据包，但是我自己做不到。但是，如果你们可以一起玩，也许你们中的一些人会创建一个更大的训练数据集，训练自己的模型，然后与他分享。因此，作者也将原游戏“Most”的名称模仿为该项目玩了一个特定的名称——“:Data”。作为最终目标，项目作者还希望使他们的 CNN 项目成为一个可以试验多种架构的通用平台/接口。

允许玩家在体验模拟器的娱乐性的同时试验他们制作的其他神经网络。

极品飞车：最高通缉

《极品飞车：莫斯特》（:Most），是游戏界知名厂商艺电（EA）推出的《极品飞车》赛车游戏中的第九款。在日本发售。游戏一开始极品飞车9作弊器，就不得不根据剧情的需要，失去了心爱的“宝驹”BMW M3GTR，着实让小编伤心了好久。尤其是从未来最基本的汽车开始，可谓是教科书式的“摩托车变自行车”……

‍该游戏结合了沙盒开放世界、警察和土匪奔跑和追逐模式、子弹时间视觉效果和玩家配备的汽车等功能。这种功能在几乎所有主要游戏厂商都还在从事参与式系列游戏项目的时代处于最前沿。

游戏不仅发布了版本，还发布了GBA、NDS、2、PSP、Xbox、等多个游戏机平台的对应版本。 2009年底，该游戏全平台销量达到1600万套，是整个极品飞车系列最畅销的作品，也是非独占单机销量最高的竞速游戏是当时世界上的平台。

游戏的女主角是超级辣妹乔西·玛兰，2000年代前曾短暂从模特行业转行成为女艺人。走红失败后，她转投护肤品品牌，终于成功了。在原游戏媒体网站上也广受好评。而Game都给出了82分的高分，满分100分，堪称“画面效果震撼”，给8.4分（满分10分），称赞游戏“画面锐利” ”和“出色的音效”，但批评游戏的AI太容易太难了。

一些外国玩家想回忆童年，所以他们把它捡起来玩了一遍。评价是：“速度感还是一流的，蓝色、模糊的光影和粒子特效覆盖了场景的很多小部分，非常适合场景。”

不过，由于这款游戏画质一般，但游戏操作系统的锐利特性，刚好满足机器学习模型的个人开发者的要求：由于画质一般，硬件要求低，个人负担得起；既然游戏还是好玩的，训练AI模型玩还是很有价值的。

受 2016 年论文的启发

据悉，作为想法来源的 论文也很老了，但功效依然出色。

论文链接：在论文中，作者训练了一个频域神经网络（CNN），将单个后置摄像头的原始像素直接映射到转向指令。即使在没有标记或视觉引导不清晰的地方极品飞车9作弊器，人工智能也可以使用非常少的人类数据来学习驾驶车辆。作者没有训练 AI 来检查道路边界，而是使用人类转向角作为训练信号来测量有用的道路特征，从而让 AI 学习内部表示。相比对车道标记检查、路径规划和控制等问题的清晰分解， 提出的端到端系统同时优化了所有处理步骤。作者认为这些方法可以带来更好的性能和更小的系统。其中，内部自优化可以最大化整个系统的性能，而不是优化人工选择的中间标准，例如车道检查。

在训练过程中，图像首先被输入 CNN 网络，然后估计转向命令。之后，将该指令与图像的预期指令进行比较，并调整 CNN 的权重，使 CNN 的输出更接近于期望的输出。其中，权重调整是通过反向传播完成的。

经过训练，神经网络可以从视频图像中生成正确的转向命令。

网友：类似于FSD！

“游戏中的 AI 比加州道路上的大多数人类司机驾驶得更好”

“游戏中的AI驾驶类似于特斯拉FSD！太神奇了！”

网友：“干得好，大哥，能不能做个马里奥卡丁车版？我乐意付钱。”项目作者：“好吧，如果我能同时玩马里奥赛车和录屏，说不定就行了。”

“不要将此作为软件升级借给特斯拉”

参考资料：

精选过去

▌

▌

▌▌