RLBot-Dataset

该项目解析rocketleaguereplays.com上的所有1v1 Rocket League回放文件，使用Rattletrap生成一个大型数据集，包含输入（球和车辆的位置及速度）和输出（车辆控制），用于训练机器学习模型。数据点以每秒10次的频率记录，可用于训练两个玩家的数据（蓝色车辆信息始终在数据中首先出现）。

This project parses all 1v1 Rocket League replay files from rocketleaguereplays.com, utilizing Rattletrap to generate a large dataset that includes inputs (positions and velocities of the ball and vehicles) and outputs (vehicle controls) for training machine learning models. Data points are recorded at a frequency of 10 times per second and can be used to train data for two players (information of the blue vehicle always appears first in the data).

原始信息汇总

RLBot-Dataset 概述

数据集来源与用途

• 数据集通过解析 rocketleaguereplays.com 上的所有1v1 Rocket League回放文件生成。
• 使用 Rattletrap 工具提取数据。
• 生成的数据集包含输入（球和车辆的位置及速度）和输出（车辆控制），用于训练机器学习模型。

数据记录频率与结构

• 数据点记录频率为每秒10次，可在代码中调整。
• 数据集支持双玩家训练，蓝车信息始终位于数据集的首位。

数据集文件类型与大小

• 数据集以二进制文件形式存储，总大小约6GB。
• 二进制文件的设计旨在最小化文件大小。

数据集生成与自定义

• 用户可通过运行 index.js 文件自行生成数据集。
• 可调整的参数包括 DATASET_ROOT（输出文件生成位置）和 MAX_PARALLEL_PROCESSES（最大并发进程数）。

当前问题与注意事项

• 车辆平衡数据（左摇杆的Y轴）在回放文件中难以获取，除非玩家正在躲避。
• 程序有时可能不会自动停止，但强制停止不会影响数据集文件的完整性。

错误记录

• 程序运行时会生成 errorlog.txt 文件，记录所有解析回放时发生的 Rattletrap 错误。

搜集汇总

数据集介绍

构建方式

RLBot-Dataset的构建过程基于对Rocket League游戏回放文件的解析。通过使用Rattletrap工具，从rocketleaguereplays.com网站下载的所有1v1比赛回放文件被解析，生成了一个包含输入（球和车辆的位置与速度）和输出（车辆控制）的大规模数据集。数据以每秒10次的频率记录，且每个回放文件的数据可以分别用于两名玩家的训练。

特点

该数据集的特点在于其高频率的数据记录和双玩家训练能力。数据以二进制文件形式存储，以最小化文件大小，总数据量约为6GB。尽管数据集仍在开发中，部分数据（如车辆的'balance'输出）可能不够准确，但其丰富的数据点为机器学习模型的训练提供了坚实的基础。

使用方法

使用RLBot-Dataset需要安装Node v7或更高版本以及Rattletrap工具。克隆仓库后，运行`npm install`安装依赖，然后通过`node index.js`启动数据集生成过程。用户可以根据需要调整`DATASET_ROOT`和`MAX_PARALLEL_PROCESSES`等参数，以优化生成过程。数据集生成过程中可能会遇到程序无法自动停止的情况，此时需手动停止程序，但生成的数据集文件仍将保持完整。

背景与挑战

背景概述

RLBot-Dataset是一个专注于《火箭联盟》（Rocket League）游戏回放文件解析的数据集，旨在为机器学习模型的训练提供丰富的输入输出数据。该数据集由社区开发者通过解析[rocketleaguereplays.com](https://www.rocketleaguereplays.com)上的1v1比赛回放文件生成，主要记录了球和车辆的位置、速度等输入信息，以及车辆控制的输出信息。数据采集频率为每秒10次，适用于训练双玩家模型。尽管该项目仍在开发中，但其生成的二进制文件已为研究《火箭联盟》中的智能体行为提供了重要基础。

当前挑战

RLBot-Dataset在构建和应用过程中面临多重挑战。首先，数据解析的准确性存在局限，尤其是车辆平衡控制（如左摇杆的y轴输入）的提取问题，目前仅能在玩家进行闪避动作时获取。其次，数据集生成过程中存在程序运行不稳定的问题，可能导致解析进程无法自动终止，需手动干预。此外，由于数据集文件体积庞大（约6GB），存储和传输效率成为一大瓶颈。尽管采用二进制文件格式以减少文件大小，但数据生成和处理的并行化仍需进一步优化，以提升整体效率。

常用场景

经典使用场景

RLBot-Dataset数据集在机器学习模型的训练中扮演了关键角色，尤其是在强化学习领域。通过解析《火箭联盟》1v1比赛的回放文件，该数据集提供了球和车辆的位置、速度等输入数据，以及车辆控制的输出数据。这些数据以每秒10次的频率记录，能够为每个玩家生成独立的训练数据，极大地促进了智能体在复杂环境中的决策能力研究。

实际应用

在实际应用中，RLBot-Dataset被广泛用于开发《火箭联盟》中的AI对手，这些AI能够模拟高水平玩家的操作，为玩家提供更具挑战性的游戏体验。此外，该数据集还被用于研究多智能体协作、路径规划等复杂任务，为游戏开发者和研究人员提供了丰富的实验数据。

衍生相关工作

基于RLBot-Dataset，许多经典的研究工作得以展开。例如，研究人员利用该数据集开发了多种强化学习算法，用于优化智能体在游戏中的表现。此外，该数据集还催生了一系列关于多智能体系统、实时决策和运动控制的研究，为相关领域的学术进展提供了坚实的基础。