Opponent Modeling in a Game with Imperfect Information

Opponent Modeling in a Game with Imperfect Information

mastersthesis
Spiele haben in der Regel klar definierte Regeln und Ziele und vertreten daher ein ideales Umfeld fuer die Forschung im Bereich der maschinellen Intelligenz. Vergangene Forschung hat sich vor allem auf deterministische Nullsummen-Spiele, welche jederzeit vollstaendige Information ueber den gesamten Spielzustand aufweisen, fokusiert. Dame, Othello, und vor allem Schach sind als bekannte Beispiele aufzufuehren. Diese Spieltypen weisen eine wichtige Gemeinsamkeit auf; jeder Spieler besitzt zu jedem Zeitpunkt komplettes Wissen ueber den gesamten Spielzustand. Aufgrund asymmetrischer Informationen, Taeuschung, und nicht-deterministischen Elementen stellt Poker eine anspruchsvolle Domaene dar. Ein umfangreiches Mass an Unsicherheit wird vor allem durch das zufaellige Mischen des Kartendecks verursacht. Die Gegner sind deshalb motiviert taeuschend zu spielen. Diese Eigenschaften verhindern, dass traditionelle Spiel-Baum Suchmethoden ordnungsgemaess funktionieren. Wir praesentieren ein dynamisches Gegnermodell für Texas Holdém Poker. Das Modell zeigt einen Weg auf, mit welchem unvollkommene Informationselemente beinahe restlos aufgeloest werden koennen. Dieses Ziel wird hauptsaechlich durch die Anwendung von kuenstlichen neuronalen Netzwerken erreicht.
Nicolas Baumgardt
Games have generally well-defined rules and goals and therefore representing an ideal environment for examining complex topics in machine intelligence. Previous research has mainly focused on deterministic zero-sum games providing perfect information such as checkers, othello, and foremost chess. These types of games have a crucial thing in common, every player holds anytime complete knowledge of the entire game state. The game of Poker represents a challenging domain, since it contains imperfect information, deception, and non-deterministic elements. An extensive degree of uncertainty is caused by the random shuffling of the card deck. Private cards held by opponents and concealed cards remaining in the deck represent the imperfect information elements of the game. Opponents are provoked to play deceptively for the purpose of hiding their pocket cards. These characteristics prevent traditional game-tree search methods from working properly. We are going to present a new approach of a dynamic opponent model for Texas Holdém poker. The model highlights a way to partially solve the problem of imperfect information elements. This objective is primarily achieved by applying artificial neural networks.
Opponent Modeling in a Game with Imperfect Information
2008
Zurich, Switzerland
December
University of Zurich
ee