Minecraft は様々な行動が可能なオープエンドビデオゲームであり、embodied な強化学習エージェントの性能評価に活用されている。
先行研究である STEVE-1 は、ゲーム画像が状態として入力され、マウスやキーボード操作といった低レベルな行動を出力する強化学習エージェントである。
エージェントは入力画像中の文字などを認識する必要があるため、その行動は入力画像の解像度に大きく依存すると考えられる。
本研究では、エージェントに入力される画像を高解像度化することで、エージェントの行動の品質に現れる変化を検証する。