Diseño de agentes inteligentes mediante Reinforcement Learning para simuladores de carreras

La inteligencia artificial ha dejado de ser una promesa del futuro para convertirse en una herramienta transformadora en el presente. Dentro del campo de la inteligencia artificial, existe un subconjunto de técnicas orientadas al aprendizaje por refuerzo: unas técnicas inspiradas en la forma en que los seres humanos y los animales aprenden a través de la experiencia: explorando, cometiendo errores y adaptando su comportamiento en función de las recompensas obtenidas. Este enfoque ha dado lugar a agentes capaces de dominar juegos como el ajedrez, Go o títulos clásicos de Atari sin supervisión explícita. Sin embargo, estos entornos suelen ser simples y deterministas. En cambio, los videojuegos modernos presentan desafíos mucho más complejos: gráficos tridimensionales, físicas realistas y un número enorme de posibles acciones. En este trabajo se propone el desarrollo de un modelo capaz de aprender a jugar Mario Kart Wii (2008), un juego que combina aleatoriedad, múltiples competidores y circuitos complejos, lo que lo convierte en un entorno ideal para investigar los límites del aprendizaje por refuerzo profundo. Para abordar este reto, el presente trabajo se centra en el diseño de un entorno de entrenamiento adaptado a las particularidades del videojuego. El objetivo no es solo crear un agente competente, sino también analizar los retos y oportunidades que surgen al aplicar técnicas avanzadas de IA en entornos dinámicos y poco estructurados.