# ChromeDinosaur

**Repository Path**: zhulibo471/chrome-dinosaur

## Basic Information

- **Project Name**: ChromeDinosaur
- **Description**: 智能控制小组项目
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-01-09
- **Last Updated**: 2025-02-20

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 基于强化学习的谷歌小恐龙控制项目

## 项目概述

本项目旨在开发一个强化学习智能体，用于控制复现的谷歌小恐龙游戏（一款在谷歌浏览器中广受欢迎的彩蛋游戏）中的小恐龙。项目将分为三个主要部分：游戏环境、视觉系统和强化学习控制器。

## 项目结构

### 游戏环境

- **描述**：游戏环境将用 Rust 语言实现，提供基于原版谷歌小恐龙游戏的核心以及扩展功能。它将模拟游戏机制，包括恐龙的移动、障碍物生成和得分等。
- **职责**：
  - 实现游戏机制，包括恐龙的动作、障碍物生成和碰撞检测等。
  - 提供 Python 接口，暴露当前恐龙和障碍物的状态信息。
  - 通过接口允许外部控制恐龙的动作（跳跃、下蹲、移动、喷火、冲刺等）。

### 视觉系统

- **描述**：视觉系统将处理游戏的图像数据，并将其转换成“游戏世界信息”，供强化学习控制器使用。它将与游戏环境的接口协同工作，确保信息转换的准确性。
- **职责**：
  - 从游戏的图像数据中提取相关特征，如恐龙、障碍物的位置和碰撞箱等。
  - 通过与游戏环境接口提供的数据对比，验证转换信息的准确性。

### 强化学习控制器

- **描述**：强化学习控制器将利用视觉系统提供的游戏世界信息来训练智能体。该智能体将根据游戏世界信息做出决策，控制恐龙的动作（跳跃、下蹲、移动、喷火、冲刺等），以最大化游戏得分。
- **职责**：
  - 开发强化学习模型，如 Q 学习或策略梯度等，来训练智能体。
  - 根据游戏世界信息实现智能体的决策过程。
  - 使用游戏环境的接口控制恐龙的动作，并评估智能体的性能。