ML-Agents案例之看图配对

本案例源自ML-Agents官方的示例，Github地址：https://github.com/Unity-Technologies/ml-agents，本文是详细的配套讲解。

本文基于我前面发的两篇文章，需要对ML-Agents有一定的了解，详情请见：Unity强化学习之ML-Agents的使用、ML-Agents命令及配置大全。

我前面的相关文章有：

ML-Agents案例之Crawler

ML-Agents案例之推箱子游戏

ML-Agents案例之跳墙游戏

ML-Agents案例之食物收集者

ML-Agents案例之双人足球

Unity人工智能之不断自我进化的五人足球赛

ML-Agents案例之地牢逃脱

ML-Agents案例之金字塔

ML-Agents案例之蠕虫

ML-Agents案例之机器人学走路

环境说明

如图所示，这个案例官方称其为Hallway，智能体需要根据前面给的符号来去后面选择对应的符号，注意，这个案例的难点在于，智能体在选择时是看不到给定的符号的，而我们的程序并不会帮助智能体去记录看过的信息，这就要求智能体自己拥有记忆功能，即神经网络能够自己学习出“以前看到过什么现在就选什么”这种行为模式，因此拥有记忆功能的循环神经网络中的大哥LSTM是必不可少的。而这在ML-Agents中只需要配置一下文件就能做到。

状态输入：首先智能体用了射线传感器Ray Perception Sensor 3D，一共发射5条射线，检测的标签有给定的O、给定的X、目标的O、目标的X、墙壁，一共5个标签。对于射线传感器的详细讲解请查看ML-Agents案例之推箱子游戏。

另外，程序中还给了一个已执行的步数除以最大步数来作为输入，随着游戏的运行而增大，当episode结束时这个值会等于1，个人认为这个输入作用不大，可有可无。

动作输出：动作输出只有一个离散输出，这个输出有0-4共5个值可供选择。0代表什么都不做，1代表前进，2代表后退，3代表右转，4代表左转。

因此Behavior Parameters设置如下：

代码讲解

智能体下挂载的脚本除去万年不变的Decesion Requester，Model Overrider，Behavior Parameters，以及刚刚说明的Ray Perception Sensor 3D，就只剩下智能体的只有文件HallwayAgent.cs了：

初始化方法Initialize()：

public override void Initialize()
{
    
    
    // 寻找控制环境的脚本
    m_HallwaySettings = FindObjectOfType<HallwaySettings>();
    // 获取刚体
    m_AgentRb = GetComponent<Rigidbody>();
    // 获取渲染，便于改变材质
    m_GroundRenderer = ground.GetComponent<Renderer>();
    // 获取初始材质
    m_GroundMaterial = m_GroundRenderer.material;
    // 获取配置文件中的数据
    m_statsRecorder = Academy.Instance.StatsRecorder;
}

状态输入CollectObservations方法：

public override void CollectObservations(VectorSensor sensor)
{
    
    
    // 可在编辑器中选择用或不用
    if (useVectorObs)
    {
    
    
        // 输入现在已执行步数除以最大步数
        sensor.AddObservation(StepCount / (float)MaxStep);
    }
}

动作输出方法OnActionReceived：

public override void OnActionReceived(ActionBuffers actionBuffers)
{
    
    
    // 时间惩罚，激励智能体越快完成越好
    AddReward(-1f / MaxStep);
    MoveAgent(actionBuffers.DiscreteActions);
}

public void MoveAgent(ActionSegment<int> act)
{
    
    
    var dirToGo = Vector3.zero;
    var rotateDir = Vector3.zero;

    // 获取神经网络的第一个也是唯一一个离散输出
    var action = act[0];
    // 给离散输出赋予各个值的意义
    switch (action)
    {
    
    
        case 1:
            dirToGo = transform.forward * 1f;
            break;
        case 2:
            dirToGo = transform.forward * -1f;
            break;
        case 3:
            rotateDir = transform.up * 1f;
            break;
        case 4:
            rotateDir = transform.up * -1f;
            break;
    }
    // 执行输出
    transform.Rotate(rotateDir, Time.deltaTime * 150f);
    m_AgentRb.AddForce(dirToGo * m_HallwaySettings.agentRunSpeed, ForceMode.VelocityChange);
}

每一个episode（回合）开始时执行的方法OnEpisodeBegin：

public override void OnEpisodeBegin()
{
    
    
    var agentOffset = -15f;
    var blockOffset = 0f;
    // 取随机数0或1
    m_Selection = Random.Range(0, 2);
    // 如果是0,场上出现O，位置作一定的随机
    if (m_Selection == 0)
    {
    
    
        symbolO.transform.position =
            new Vector3(0f + Random.Range(-3f, 3f), 2f, blockOffset + Random.Range(-5f, 5f))
            + ground.transform.position;
        symbolX.transform.position =
            new Vector3(0f, -1000f, blockOffset + Random.Range(-5f, 5f))
            + ground.transform.position;
    }
    // 如果是1,场上出现X，位置作一定的随机
    else
    {
    
    
        symbolO.transform.position =
            new Vector3(0f, -1000f, blockOffset + Random.Range(-5f, 5f))
            + ground.transform.position;
        symbolX.transform.position =
            new Vector3(0f, 2f, blockOffset + Random.Range(-5f, 5f))
            + ground.transform.position;
    }
	// 初始化智能体的位置和旋转，并作一定的随机，速度归零
    transform.position = new Vector3(0f + Random.Range(-3f, 3f),
                                     1f, agentOffset + Random.Range(-5f, 5f))
        + ground.transform.position;
    transform.rotation = Quaternion.Euler(0f, Random.Range(0f, 360f), 0f);
    m_AgentRb.velocity *= 0f;
	// 取随机数0或1
    var goalPos = Random.Range(0, 2);
    // 当随机数为0时，目标的O放右边，X放左边
    if (goalPos == 0)
    {
    
    
        symbolOGoal.transform.position = new Vector3(7f, 0.5f, 22.29f) + area.transform.position;
        symbolXGoal.transform.position = new Vector3(-7f, 0.5f, 22.29f) + area.transform.position;
    }
    // 当随机数为1时，目标的O放左边，X放右边
    else
    {
    
    
        symbolXGoal.transform.position = new Vector3(7f, 0.5f, 22.29f) + area.transform.position;
        symbolOGoal.transform.position = new Vector3(-7f, 0.5f, 22.29f) + area.transform.position;
    }
    // 添加用于报告的统计信息（键值对）,这些值将出现在Tensorboard中
    m_statsRecorder.Add("Goal/Correct", 0, StatAggregationMethod.Sum);
    m_statsRecorder.Add("Goal/Wrong", 0, StatAggregationMethod.Sum);
}

这里需要说明的是最后两行代码是在Tensorboard添加了两个新的表格，第一个参数是表格的标签，即键，第二个是指，第三个是可选的变量，可选的有Average，MostRecent，Sum，Histogram。

当与别的物体开始发生碰撞执行方法OnCollisionEnter：

void OnCollisionEnter(Collision col)
{
    
    
    if (col.gameObject.CompareTag("symbol_O_Goal") || col.gameObject.CompareTag("symbol_X_Goal"))
    {
    
    
        // 当匹配成果时
        if ((m_Selection == 0 && col.gameObject.CompareTag("symbol_O_Goal")) ||
            (m_Selection == 1 && col.gameObject.CompareTag("symbol_X_Goal")))
        {
    
    
            // 奖励1分
            SetReward(1f);
            // 改变成绿色的材质0.5秒
            StartCoroutine(GoalScoredSwapGroundMaterial(m_HallwaySettings.goalScoredMaterial, 0.5f));
            // 在Tensorboard成功项中给智能体加一分
            m_statsRecorder.Add("Goal/Correct", 1, StatAggregationMethod.Sum);
        }
        // 当匹配失败时
        else
        {
    
    
            SetReward(-0.1f);
            StartCoroutine(GoalScoredSwapGroundMaterial(m_HallwaySettings.failMaterial, 0.5f));
            // 在Tensorboard失败项中给智能体加一分
            m_statsRecorder.Add("Goal/Wrong", 1, StatAggregationMethod.Sum);
        }
        // 结束游戏
        EndEpisode();
    }
}

// 携程，短暂改变材质
IEnumerator GoalScoredSwapGroundMaterial(Material mat, float time)
{
    
    
    m_GroundRenderer.material = mat;
    yield return new WaitForSeconds(time);
    m_GroundRenderer.material = m_GroundMaterial;
}

当智能体没有模型，人想手动录制示例时可以采用Heuristic方法：

public override void Heuristic(in ActionBuffers actionsOut)
{
    
    
    var discreteActionsOut = actionsOut.DiscreteActions;
    if (Input.GetKey(KeyCode.D))
    {
    
    
        discreteActionsOut[0] = 3;
    }
    else if (Input.GetKey(KeyCode.W))
    {
    
    
        discreteActionsOut[0] = 1;
    }
    else if (Input.GetKey(KeyCode.A))
    {
    
    
        discreteActionsOut[0] = 4;
    }
    else if (Input.GetKey(KeyCode.S))
    {
    
    
        discreteActionsOut[0] = 2;
    }
}

配置文件

PPO算法：

behaviors:
  Hallway:
    trainer_type: ppo
    hyperparameters:
      batch_size: 128
      buffer_size: 1024
      learning_rate: 0.0003
      beta: 0.03
      epsilon: 0.2
      lambd: 0.95
      num_epoch: 3
      learning_rate_schedule: linear
    network_settings:
      normalize: false
      hidden_units: 128
      num_layers: 2
      vis_encode_type: simple
      memory:
        sequence_length: 64
        memory_size: 128
    reward_signals:
      extrinsic:
        gamma: 0.99
        strength: 1.0
    keep_checkpoints: 5
    max_steps: 10000000
    time_horizon: 64
    summary_freq: 10000

SAC算法：

behaviors:
  Hallway:
    trainer_type: sac
    hyperparameters:
      learning_rate: 0.0003
      learning_rate_schedule: constant
      batch_size: 512
      buffer_size: 200000
      buffer_init_steps: 0
      tau: 0.005
      steps_per_update: 10.0
      save_replay_buffer: false
      init_entcoef: 0.1
      reward_signal_steps_per_update: 10.0
    network_settings:
      normalize: false
      hidden_units: 128
      num_layers: 2
      vis_encode_type: simple
      memory:
        sequence_length: 64
        memory_size: 128
    reward_signals:
      extrinsic:
        gamma: 0.99
        strength: 1.0
    keep_checkpoints: 5
    max_steps: 4000000
    time_horizon: 64
    summary_freq: 10000

可以看到，相比也平常的配置，中间加入了一部分：

      memory:
        sequence_length: 64
        memory_size: 128

默认不加这部分的时候，我们的模型中是没有循环神经网络的，当我们设置了这个参数后，相当于给模型加入了一个LSTM，sequence_length指的是需要记住的经验序列长度，memory_size是智能体保存的记忆大小，必须是2的倍数。我们要合理设置参数，设置过大将大大降低训练速度，过小会导致记不住东西。

效果演示

后记

本案例主要探讨了ML-Agents中智能体的“记忆力”是怎么实现的，我们可以通过在配置文件中设置相应的参数来给我们的模型添加上LSTM，让智能体先观察，后做“选择题”，就能训练出一个具有记忆力的智能体。