يمثل التعلم المعزز (Reinforcement Learning - RL) في البيئات ثلاثية الأبعاد تحديًا كبيرًا بسبب استهلاك الذاكرة المرتفع والتعقيد الملازم للعمليات غير المرئية. في سياق مشروعنا، قمنا بمعالجة هذين التحديين من خلال تقديم تمثيلات إدخال جديدة تعتمد على تقسيم دلالي (Semantic Segmentation) للصور الملونة RGB.

نشاطاتنا البحثية أجريت في مباريات الموت (Deathmatches) داخل لعبة ViZDoom الافتراضية، حيث استخدمنا نتائج تقسيم مثالية لتقييم أدواتنا بشكل منضبط. توصلت نتائجنا إلى أن التمثيل المعتمد على تقسيم دلالي فقط (SS-only) أدى إلى تقليل استهلاك الذاكرة في المخازن بنسبة تصل إلى 66.6%، وصولاً إلى 98.6% عند تطبيق تقنيات ضغط فيكتوري موجزة مثل الترميز بطول التشغيل (Run-length Encoding).

على الجانب الآخر، أظهر استخدام التمثيل المشترك RGB+SS تحسينًا كبيرًا في أداء وكلاء التعلم المعزز نظرًا للمعلومات الدلالية الإضافية المتاحة. كما قمنا باستكشاف خرائط الحرارة المعتمدة على الكثافة كأداة لتصور أنماط الحركة لوكلاء RL وتقييم ملاءمتهم لجمع البيانات.

تضمن مشروعنا مقارنة مختصرة مع نهج سابق، مما يظهر كيف تجاوزت طريقتنا العوائق الشائعة عند تطبيق تقسيم دلالي في البيئات ثلاثية الأبعاد مثل ViZDoom. تعتبر هذه النتائج خطوة هامة نحو تحسين التعلم المعزز وتوسيع إمكانياته في التطبيقات المستقبلية.