共计 4068 个字符，预计需要花费 11 分钟才能阅读完成。
本文由云 + 社区发表作者：WeTest 小编
WeTest 导读
本文主要介绍如何让 AI 在 24 分钟内学会玩飞车类游戏。我们使用 Distributed PPO 训练 AI，在短时间内可以取得不错的训练效果。
本方法的特点：
纯游戏图像作为输入
不使用游戏内部接口
可靠的强化学习方法
简单易行的并行训练
1. PPO 简介
PPO（Proximal Policy Optimization）是 OpenAI 在 2016 年 NIPS 上提出的一个基于 Actor-Critic 框架的强化学习方法。该方法主要的创新点是在更新 Actor 时借鉴了 TRPO，确保在每次优化策略时，在一个可信任的范围内进行，从而保证策略可以单调改进。在 2017 年，DeepMind 提出了 Distributed PPO，将 PPO 进行类似于 A3C 的分布式部署，提高了训练速度。之后，OpenAI 又优化了 PPO 中的代理损失函数，提高了 PPO 的训练效果。
本文不介绍 PPO 的算法细节，想学习的同学可以参考以下三篇论文：
【1】Schulman J, Levine S, Abbeel P, et al. Trust region policy optimizationC//International Conference on Machine Learning. 2015: 1889-1897.
【2】Heess N, Sriram S, Lemmon J, et al. Emergence of locomotion behaviours in rich environmentsJ. arXiv preprint arXiv:1707.02286, 2017.
【3】Schulman J, Wolski F, Dhariwal P, et al. Proximal policy optimization algorithmsJ. arXiv preprint arXiv:1707.06347, 2017.
2. 图像识别
2.1 游戏状态识别
游戏状态识别是识别每一局游戏关卡的开始状态和结束状态。在飞车类游戏中，开始状态和结束状态的标志如图 1 所示。因为红色框中的标志位置都固定，因此我们使用模板匹配的方法来识别这些游戏状态。
1.jpg
图 1 游戏状态标志
从开始状态到结束状态之间的图像是游戏关卡内的图像，此时进行强化学习的训练过程。当识别到结束状态后，暂停训练过程。结束状态之后的图像都是 UI 图像，我们使用 UI 自动化的方案，识别不同的 UI，点击相应的按钮再次进入游戏关卡，开始下一轮的训练过程，如图 2 所示。
2.png
图 2 游戏流程
2.3 游戏图像识别
我们对游戏关卡中的图像识别了速度的数值，作为强化学习中计算激励（Reward）的依据，如图 3 所示。速度识别包括三个步骤：
第一步，图像分割，将每一位数字从识别区域中分割出来。
第二步，数字识别，用卷积神经网络或者模板匹配识别每一位图像中的数字类别。
第三步，数字拼接，根据图像分割的位置，将识别的数字拼接起来。
3.jpg
图 3 图像各个区域示意图
3. AI 设计
3.1 网络结构
我们使用的网络结构如图 4 所示。输入为游戏图像中小地图的图像，Actor 输出当前时刻需要执行的动作，Critic 输出当前时刻运行状态的评价。AlexNet 使用从输入层到全连接层之前的结构，包含 5 个卷积层和 3 个池化层。Actor 和 Critic 都有两个全连接层，神经元数量分别为 1024 和 512。Actor 输出层使用 softmax 激活函数，有三个神经元，输出动作策略。Critic 输出层不使用激活函数，只有一个神经元，输出评价数值。
4.jpg
图 4 网络结构示意图
3.2 输入处理
我们将小地图图像的尺寸变为 121X121，输入到 AlexNet 网络后，在第三个池化层可以获得 2304 维的特征向量（57622=2304）。将这个特征向量作为 Actor 和 Critic 的输入。我们使用在 ImageNet 上训练后的 AlexNet 提取图像特征，并且在强化学习的过程中没有更新 AlexNet 的网络参数。
3.3 动作设计
我们目前在设计飞车类游戏动作时，使用离散的动作，包括三种动作：左转、右转和 NO Action。每种动作的持续时间为 80ms，即模拟触屏的点击时间为 80ms。这样的动作设计方式比较简单，便于 AI 快速地训练出效果。如果将动作修改为连续的动作，就可以将漂移添加到动作中，让 AI 学习左转、右转、漂移和 NO Action 的执行时刻和执行时长。
3.4 激励计算
如果将游戏的胜负作为激励来训练 AI，势必会花费相当长的时间。在本文中，我们根据游戏图像中的速度数值，计算当前时刻的激励。假定当前时刻的速度为 Vp，前一时刻的速度为 Vq，那么激励 R 按照以下方式计算：
If Vp ≥ Vq，R = 0.25X(Vp – Vq)
If Vp < Vq，R = -0.25X(Vq – Vp)
If Vp > 250，R = R + 5.0
If Vp < 50，R = R – 5.0
这样的激励计算方式可以使 AI 减少撞墙的概率，并且鼓励 AI 寻找加速点。
4. 训练环境
4.1 硬件
我们搭建了一个简单的分布式强化学习环境，可以提高采样效率和训练速度，硬件部署方式如图 5 所示。
5.jpg
图 5 硬件部署方式
主要包含以下硬件：
1）3 部相同分辨率的手机，用于生成数据和执行动作。
2）2 台带有显卡的电脑，一台电脑 Proxy 用于收集数据、图像识别以及特征提取，另一台电脑 Server 用于训练 AI。
3）1 个交换机，连接两台电脑，用于交换数据。
4.2 软件
Ubuntu 14.04 + TensorFlow 1.2 + Cuda 7.0
5. 分布式部署
我们使用的分布式部署方式如图 6 所示。
6.jpg
图 6 分布式部署方式
在 Proxy 端设置三个 proxy 进程，分别与三部手机相连接。
在 Server 端设置一个 master 进程和三个 worker 线程。master 进程和三个 worker 线程通过内存交换网络参数。master 进程主要用于保存最新的网络参数。三个 proxy 进程分别和三个 worker 线程通过交换机传输数据。
proxy 进程有 6 个功能：
1）从手机接收图像数据；
2）识别当前游戏状态；
3）识别速度计算激励；
4）利用 AlexNet 提取图像特征；
5）发送图像特征和激励到 worker 线程，等待 worker 线程返回动作；
6）发送动作到手机；
worker 线程有 5 个功能：
1）从 proxy 进程接收图像特征和激励；
2）从 master 进程拷贝最新的网络参数；
3）将 Actor 输出的动作发送到 proxy 进程；
4）利用 PPO 更新网络参数；
5）将更新后的网络参数传输到 master 进程；
6. 实验
6.1 参数设置
PPO 的训练参数很多，这里介绍几个重要参数的设置：
1）学习速率：Actor 和 Critic 的学习率都设置为 1e-5
2）优化器：Adam 优化器
3）Batch Size: 20
4）采样帧率：10 帧 / 秒
5）更新次数：15 次
6）激励折扣率：0.9
6.2 AI 效果
视频链接：https://v.qq.com/x/page/q1356…
6.3 数据分析
表 1 和表 2 分别对比了不同并行数量和不同输入数据情况下 AI 跑完赛道和取得名次的训练数据。最快的训练过程是在并行数量为 3 和输入数据为小地图的情况下，利用 PPO 训练 24 分钟就可以让 AI 跑完赛道，训练 7.5 小时就可以让 AI 取得第一名（和内置 AI 比赛）。并且在减少一部手机采样的情况下，也可以达到相同的训练效果，只是训练过程耗时更长一点。另外，如果将输入数据从小地图换成全图，AI 的训练难度会有一定程度的增加，不一定能达到相同的训练效果。
表 1 AI 跑完赛道的数据对比
输入数据 并行数量 训练时间 训练次数 训练局数
全图 2 100 分钟 4200 次 78 局
小地图 2 40 分钟 1700 次 32 局
全图 3 78 分钟 3900 次 72 局
小地图 3 24 分钟 1400 次 25 局
表 2 AI 取得名次的数据对比
输入数据 并行数量 训练时间 训练次数 训练局数 名次
小地图 2 9 小时 19000 次 354 局 1
全图 3 60 小时 98000 次 1800 局 4- 6 小地图 3 7.5 小时 17800 次 343 局 1
如 7 展示了利用 PPO 训练 AI 过程中激励的趋势图，曲线上每一个点表示一局累计的总激励。训练开始时，AI 经常撞墙，总激励为负值。随着训练次数的增加，总激励快速增长，AI 撞墙的几率很快降低。当训练到 1400 多次时，总激励值超过 400，此时 AI 刚好可以跑完赛道。之后的训练过程，总激励的趋势是缓慢增长，AI 开始寻找更好的动作策略。
7.jpg
图 7 AI 训练过程中激励的趋势图
7. 总结
本文介绍了如何使用 Distributed PPO 在 24 分钟内让 AI 玩飞车类游戏。当前的方法有一定训练效果，但是也存在很多不足。
目前，我们想到以下几个改进点，以后会逐一验证：
1）将 AlexNet 替换为其他卷积神经网络，如 VGG、Inception-V3 等等，提高特征提取的表达能力。
2）提高并行数量，添加更多手机和电脑，提高采样速度和计算速度。
3）增加 Batch Size，使用较长的时间序列数据训练 AI。
4）将离散动作替换为连续动作，增加漂移的学习。
5）多个关卡同时训练，提高 AI 的泛化能力。
参考文献：
【1】Schulman J, Levine S, Abbeel P, et al. Trust region policy optimizationC//International Conference on Machine Learning. 2015: 1889-1897.
【2】Heess N, Sriram S, Lemmon J, et al. Emergence of locomotion behaviours in rich environmentsJ. arXiv preprint arXiv:1707.02286, 2017.
【3】Schulman J, Wolski F, Dhariwal P, et al. Proximal policy optimization algorithmsJ. arXiv preprint arXiv:1707.06347, 2017.
【4】https://morvanzhou.github.io/…
此文已由腾讯云 + 社区在各渠道发布
获取更多新鲜技术干货，可以关注我们腾讯云技术社区 - 云加社区官方号及知乎机构号
