DEMO入门示例

本次示例以训练一个能追踪小球的游戏AI。

1.新建一个Unity项目

并将之前下载的ml-agents项目UnitySDK目录下的Assets和ProjectSettings导入（复制覆盖）进新建的Unity项目

2.进入Unity项目，先编写好两个脚本

RollerAcademy 是将用于训练环境的组件：

//RollerAcademy.cs
//继承Academy用于重写训练环境，就目前而言无需改动，因此简单的直接继承即可。

using MLAgents;

public class RollerAcademy : Academy { }

RollerAgent 是将用于智能体对象的组件：

//RollerAgent.cs
//继承Agent用于重写智能体的AgentReset，CollectObservations，AgentAction等方法。
using MLAgents;
using UnityEngine;

public class RollerAgent : Agent
{
    Rigidbody rBody;
    void Start()
    {
        rBody = GetComponent<Rigidbody>();
    }


    public Transform Target;
    //Reset时调用
    public override void AgentReset()
    {
        if (this.transform.position.y < 0)
        {
            //如果智能体掉下去，则重置位置+重置速度
            this.rBody.angularVelocity = Vector3.zero;
            this.rBody.velocity = Vector3.zero;
            this.transform.position = new Vector3(0, 0.5f, 0);
        }

        //将目标球重生至一个新的随机位置
        Target.position = new Vector3(Random.value * 8 - 4,0.5f,Random.value * 8 - 4);
    }

    //收集观察结果
    public override void CollectObservations()
    {
        //------ 观测
        //观测到目标球和智能体的位置
        AddVectorObs(Target.position);
        AddVectorObs(this.transform.position);
        //观测到智能体的速度
        AddVectorObs(rBody.velocity.x);
        AddVectorObs(rBody.velocity.z);

        //在这里因为目标球是不会动的，智能体也不会在y轴上又运动，所以没有必要观察这些值的变化。
    }


    public float speed = 10;
    //处理动作，并根据当前动作评估奖励信号值
    public override void AgentAction(float[] vectorAction, string textAction)
    {
        //------ 动作处理
        // 接受两个动作数值
        Vector3 controlSignal = Vector3.zero;
        controlSignal.x = vectorAction[0];
        controlSignal.z = vectorAction[1];
        rBody.AddForce(controlSignal * speed);

        //------ 奖励信号

        float distanceToTarget = Vector3.Distance(this.transform.position,Target.position);
        // 到达目标球
        if (distanceToTarget < 1.42f)
        {
            //奖励值+1.0f
            SetReward(1.0f);
            Done();
        }

        // 掉落场景外
        if (this.transform.position.y < 0)
        {
            Done();
        }

    }
}

3.创建Brain决策体

创建两个Brain文件

打开Asset => Create => ML-Agents => LearningBrain
打开Asset => Create => ML-Agents => PlayerBrain

更改好名字（本文取了RollerBallBrain和RollerBallPlayer），这样就创建了两个Brain文件。

LearningBrain适用于训练模型的决策体，而PlayerBrain只是映射键盘按键的决策体（即玩家控制）。
之所以创建PlayerBrain，在训练前可让玩家通过真实操控测试当前游戏环境是否正确，然后确认无问题后再切换LearningBrain交给机器去操控（训练）。

对RollerBallPlayer进行配置

从上面写的RollerAgent脚本，我们知道：

Observation Space Size调整为8：因为总共观察 2个3D位置+2个1D速度，因此总共大小空间为8个float大小。
Action Space Size 调整为2：因为总共动作有2个数值
引入了4个按键WASD：为了让操作对2个动作值影响，所以4个按键分别对应2个动作值的正负1

对RollerBallBrain进行配置

然后我们让RollerBallBrain直接Copy Brain Parameters from刚刚配置好的RollerBallPlayer：

还要调整Inference Device 为GPU

4.搭建好游戏场景

创建一个地板（Plane）

创建一个小球（Target）

创建要控制的智能体（RollerAgent）

Brain 绑定RollerBallPlayer时，是玩家可以操控它。绑定RollerBallBrain时，是机器操控它。
Decision Interval（决策间隔）调整为10，让它的Brain做决策不要太频繁也不要太过稀疏

创建训练环境游戏对象（Academy）

在BroadcastHub绑定好那两个Brain文件

目前场景预览

将RollerAgent的Brain绑定RollerBallPlayer，运行Unity场景，尝试自己用WASD操控小球，测试游戏场景是否OK。

5.开始训练（挂机）

将RollerAgent的Brain绑定RollerBallBrain,

然后将Academy的BroadcastHub里RollerBallBrain的Control勾上

然后现在可以打开开始菜单，直接使用cmd命令窗口，
cd到之前下载ml-agents项目的目录里，

cd  C:\Downloads\ml-agents

再输入激活ml-agents环境：

activate ml-agents

开启训练：

mlagents-learn config/config.yaml --run-id=RollerBall-1 --train

config/config.yaml是训练配置文件，RollerBall-1是你给训练出来的模型取的名字

注意config/config.yaml是不存在的，需要自己仿照于官方的示例配置文件config/trainer_config.yaml并修改配置而新建的。
下面是config.yaml示例：

default:
    trainer: ppo
    batch_size: 10
    beta: 5.0e-3
    buffer_size: 100
    epsilon: 0.2
    gamma: 0.99
    hidden_units: 128
    lambd: 0.95
    learning_rate: 3.0e-4
    max_steps: 3.0e5
    memory_size: 256
    normalize: false
    num_epoch: 3
    num_layers: 2
    time_horizon: 64
    sequence_length: 64
    summary_freq: 1000
    use_recurrent: false
    use_curiosity: false
    curiosity_strength: 0.01
    curiosity_enc_size: 128

当出现如下画面：

返还到Unity，点下运行键，那么你就会看到Unity执行训练。

你的命令窗口也会时刻告诉你训练阶段的信息。

可以去睡觉等待结果了，亦或者在某个时间停止Unity运行。那么ml-agents会将目前为止训练出来的数据模型保存到ml-agents\models目录下。

6.跑训练出来的模型

将ml-agents\models目录下跑出来的RollerBall-1文件夹整个复制到你刚刚Unity项目里。
Unity里，将RollerBallBrain的Model绑定上刚刚复制文件夹的NNModel。

Unity里，将Academy的BroadcastHub的Control勾选去掉。

运行Unity场景，看看你跑出来的模型的蠢样了（笑）。

概念

另外一提，最新的介绍文档资料示例等都在Unity官方机器学习的github项目，感兴趣可以持续保持关注它的更新：
https://github.com/Unity-Technologies/ml-agents

Unity官方博客机器学习概念详解（1）：https://blogs.unity3d.com/2017/12/11/using-machine-learning-agents-in-a-real-game-a-beginners-guide/

Unity官方博客机器学习概念详解（2）：https://blogs.unity3d.com/2017/06/26/unity-ai-themed-blog-entries/

Unity ml-agents概念详解国内翻译博客：https://blog.csdn.net/u010019717/article/details/80382933

这里只做部分概念简介，懒得写太多了，以多人战争游戏中的军医AI 为例介绍。

Agent（智能体） - 它可以被附加到一个 Unity 游戏对象上（场景中的任何角色），负责生成它的观测结果、执行它接收的动作并适时分配奖励。在例子里，它应该附加到军医游戏对象上。
观测：军医对环境的感知。观测可以是数字和/或视觉形式。数字观测会从 Agent 的角度测量环境的属性。对于军医来说，这将是军医可以看到的战场属性。根据游戏和 agent 的不同，数字观测的数据可以是__离散__的或__连续__的形式。对于大多数有趣的环境，Agent 将需要若干连续的数字观测，而对于具有少量独特配置的简单环境，离散观测就足够了。另一方面，视觉观测是附加到 agent 的摄像头所生成的图像，代表着 agent 在该时间点看到的内容。
- 我们通常会将 agent 的观测与环境状态混淆。环境状态表示包含所有游戏角色的整个场景的信息。但是，agent 观测仅包含它自己所了解的信息，通常是环境状态的一个子集。例如，军医观测不能包含隐身敌人的信息。
动作：军医可采取的动作。动作可以是连续的或离散的。就军医而言,如果环境是一个只是简单的网格世界，那么采用四个方向的离散动作就足够了（即上下左右）。但是，如果环境更加复杂并且军医可以自由移动，那么使用两个连续动作（一个对应于方向，另一个对应于速度）更合适。
- 除了上述的移动动作外，军医还应有救治动作等。
奖励信号 ：一个表示军医行为的标量。例如，军医在死亡时会得到很大的负奖励，每当恢复受伤的队员时会得到适度的正奖励，而在受伤队员因缺乏救助而死亡时会得到适度的负奖励。
- 奖励信号表示如何将任务的目标传达给 agent，所以采用的设置方式需要确保当获得的奖励达到最大值时，agent能够产生我们最期望的行为。
- 注意，不需要在每个时刻都提供奖励信号，只有在军医执行好的或坏的动作时才提供。
Brain（决策体） - 它封装了 Agent 的决策逻辑。实质上，Brain 中保存着每个 Agent 的 policy，决定了 Agent 在每种情况下应采取的动作。更具体地说，Agent 给其绑定的 Brain 发送 Agent的观测结果和奖励，然后 Brain 返回下一步的动作。
Academy（训练环境） - 它是负责指挥场景内所有 Agent 的观测和决策过程的整体训练环境。它可以指定若干环境参数，例如渲染质量和环境运行速度参数。

Unity 用ml-agents机器学习造个游戏AI吧（DEMO示例）