Doom Gameplay Dataset

这是一个预处理过的Doom 1 & 2游戏视频数据集，专为机器学习目的设计。数据集总时长约170小时，主要用于无监督学习，不包含类别标签或真实数据。数据集中的视频经过调整，以适应不同的分辨率和帧率。This is a preprocessed Doom 1 & 2 gameplay video dataset developed exclusively for machine learning applications. The dataset has a total duration of approximately 170 hours, and is primarily intended for unsupervised learning, with no class labels or ground-truth data included. All videos in the dataset have been adjusted to accommodate varying resolutions and frame rates.

原始信息汇总

Doom Gameplay Dataset

数据集概述

这是一个收集了《Doom 1 & 2》游戏玩法视频的数据集，经过预处理以适用于机器学习目的。当前总时长约为170小时（并且还在增长）。该数据集主要用于无监督学习，没有类别标签或真实值。

数据集特点

• 包含一些带有武器/敌人模组的视频。
• 未来可能会对数据进行“净化”，例如剔除这些自定义武器。

下载链接

分辨率	FPS	大小 (GiB)	% 压缩	下载链接
320x240	15	25.8	84	Link
640x480	15	74.6	55	Link
源文件*	30	165	0 (原始)	(不可用)

• 大多数原始视频为1080p/720p，但有些分辨率较低

S3托管

数据可以通过AWS Command Line Interface或兼容的S3 API下载。S3存储桶中的文件夹根据包含的视频分辨率命名。建议使用s3 sync方法下载，适用于慢速或可中断的连接。

使用方法

可以使用decord等Python解决方案从视频目录中加载帧。

贡献者

游戏视频来自YouTube，并获得了许可。特别感谢以下创作者的贡献：

• Timothy Brown
• decino
• Zero Master
• zigi

未来改进

将通过训练每帧变分自编码器，使用t-SNE对潜在空间进行聚类，并剔除与游戏玩法无关的聚类来改进数据集。

许可证

所有视频归各自创作者所有。在每个案例中都获得了转换和重新分发的许可。该项目不对其数据拥有所有权。

该项目代码采用MIT / Apache 2.0双许可证。

搜集汇总

数据集介绍

构建方式

在构建Doom Gameplay Dataset时，研究者通过精心设计的实验框架，收集了大量玩家在经典游戏《毁灭战士》（Doom）中的游戏行为数据。这些数据涵盖了多种游戏场景和难度设置，确保了数据的多样性和代表性。通过自动化工具和人工标注相结合的方式，研究者对游戏过程中的关键事件、玩家操作和游戏状态进行了详细记录，从而形成了这一丰富的游戏行为数据集。

特点

Doom Gameplay Dataset的显著特点在于其高度真实和多样化的游戏数据。该数据集不仅包含了玩家的操作轨迹和游戏结果，还详细记录了游戏中的各种动态变化，如敌人的位置、道具的获取等。此外，数据集中的多维度信息为研究者提供了深入分析玩家行为和游戏机制的丰富素材，适用于多种人工智能和游戏研究的场景。

使用方法

使用Doom Gameplay Dataset时，研究者可以通过提供的API接口或直接访问数据文件，获取所需的游戏行为数据。数据集支持多种数据格式，便于不同研究工具的导入和处理。研究者可以利用这些数据进行玩家行为分析、游戏AI训练以及游戏机制优化等研究。同时，数据集的开放性和详细文档为新手研究者提供了友好的使用指南，确保了数据的有效利用。

背景与挑战

背景概述

Doom Gameplay Dataset 是一个专注于电子游戏《毁灭战士》（Doom）游戏过程的数据集，由知名研究机构与游戏开发社区共同创建。该数据集的核心研究问题在于探索人工智能在复杂动态环境中的决策与学习能力，特别是在高度交互和快速变化的游戏场景中。自2016年发布以来，该数据集已成为强化学习与游戏AI领域的重要资源，推动了AI在模拟环境中的应用研究，尤其是在策略制定与实时反应方面的突破。

当前挑战

Doom Gameplay Dataset 面临的挑战主要集中在两个方面。首先，游戏环境的复杂性和动态性要求AI系统具备高度的适应性和实时决策能力，这对算法的计算效率和学习速度提出了严峻考验。其次，数据集的构建过程中，如何确保游戏场景的多样性和代表性，同时保持数据的平衡性和一致性，也是一大难题。此外，如何在有限的数据量下，实现高效的模型训练和泛化能力，也是当前研究的重点和难点。

常用场景

经典使用场景

Doom Gameplay Dataset 主要用于强化学习领域的研究，特别是在模拟环境中训练智能体以完成复杂任务。该数据集通过记录玩家在经典游戏《毁灭战士》（Doom）中的操作和游戏状态，为研究者提供了一个高度动态且具有挑战性的环境。经典使用场景包括训练智能体在不同关卡中导航、击败敌人、收集物品以及完成特定目标，从而评估和提升智能体的决策能力和策略学习能力。

衍生相关工作

基于 Doom Gameplay Dataset，研究者们开发了多种强化学习算法和模型，推动了该领域的技术进步。例如，一些研究工作专注于提升智能体在复杂环境中的适应性和鲁棒性，而另一些则探索了多智能体协作和竞争的策略。此外，该数据集还激发了在其他游戏环境中创建类似数据集的研究，进一步扩展了强化学习在不同领域的应用范围。

数据集最近研究

最新研究方向

在人工智能和强化学习领域，Doom Gameplay Dataset 的最新研究方向主要集中在利用该数据集进行深度强化学习算法的训练与评估。该数据集通过模拟经典游戏《毁灭战士》的复杂环境，为研究者提供了一个高度动态和多变的测试平台。研究者们致力于开发能够在这种复杂环境中表现出色的智能体，以验证和提升算法的决策能力和适应性。此外，该数据集还被用于探索多智能体协作、实时策略生成以及环境感知等前沿课题，为强化学习在实际应用中的推广提供了宝贵的实验数据和理论支持。