陳明陽 劉博 茆意風(fēng)

摘要：本文使用蒙特卡洛樹搜索（MCTS）算法代替?zhèn)鹘y(tǒng)Alpha-Beta搜索算法，采用改變其他對稱方面來訓(xùn)練非對稱情況下的策略，研究對比和分析，認(rèn)為確實可以找到一種通用的自我強(qiáng)化學(xué)習(xí)方法。

關(guān)鍵詞：ICRA RoboMaster比賽;強(qiáng)化學(xué)習(xí);DQN;Actor-critic算法

中圖分類號： TP181 ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識碼：A

1 背景

強(qiáng)化學(xué)習(xí)（Reinforcement Learning，RL）是智能體（Agent）以“試錯”的方式進(jìn)行學(xué)習(xí)，通過與環(huán)境進(jìn)行交互獲得的獎賞指導(dǎo)行為，目標(biāo)是使智能體獲得最大的獎賞，它被引入機(jī)器學(xué)習(xí)使其更接近于最初的目標(biāo)——人工智能，是人工神經(jīng)網(wǎng)絡(luò)研究的概念，比較晦澀難懂。因此，本文借助備受青年人歡迎的ICRA RoboMaster（以下簡稱ICRA比賽）訓(xùn)練研究強(qiáng)化學(xué)習(xí)的理論問題，把抽象問題具體化、簡單化。

ICRA比賽的主題為“移動操控挑戰(zhàn)賽”，比賽主要考察移動機(jī)器人定位技術(shù)、物體抓取技術(shù)、目標(biāo)識別技術(shù)，以及這些技術(shù)構(gòu)成系統(tǒng)的整體穩(wěn)定性等。通過以ICRA比賽為載體，建立研究強(qiáng)化學(xué)習(xí)的理論模型，利用研究訓(xùn)練和優(yōu)化機(jī)器人在比賽中的路徑和戰(zhàn)斗能力，實現(xiàn)驗證和優(yōu)化RL理論的目的。為了使計算機(jī)更加智能化，采用訓(xùn)練AlphaGo的方法，即使用兩個代理機(jī)器人互相戰(zhàn)斗，通過控制運(yùn)動軌跡和動作，更新優(yōu)化策略，實現(xiàn)機(jī)器人動作升級。首先設(shè)置一個超級敵人并訓(xùn)練機(jī)器人去擊敗它，然后也升級敵人，重新訓(xùn)練機(jī)器人去戰(zhàn)斗。通過這種不斷反復(fù)改進(jìn)和提升的方法，可以獲取更優(yōu)良的性能。

采用Actor-critic算法，提出并分析一類基于隨機(jī)平穩(wěn)策略的馬爾可夫決策過程優(yōu)化算法，也是兩個時間尺度的算法，其中，Critic使用具有線性近似結(jié)構(gòu)的時域?qū)W習(xí)，并且基于Critic提供的信息，在近似梯度方向上更新和優(yōu)化Actor動作。通過研究表明，Critic的特征能夠跨越由Actor的選擇所規(guī)定的子空間，提出收斂性和有待解決的問題策略。

采用一個通用的強(qiáng)化學(xué)習(xí)算法，通過自我發(fā)揮和學(xué)習(xí)，不斷優(yōu)化算法，即研究在AlphaGo中應(yīng)用的策略和AlphaZero的變化。由于AlphaZero不會增加訓(xùn)練數(shù)據(jù)，也不會在MCTS期間變換板的位置。因此，使用蒙特卡洛樹搜索（MCTS）算法代替Alpha-Beta搜索算法，采用通過改變其他對稱方面來訓(xùn)練非對稱情況下的策略，找到一種通用的自我游戲強(qiáng)化學(xué)習(xí)方法。

2 虛擬機(jī)器人環(huán)境——PyGame

2.1 設(shè)置虛擬機(jī)器人環(huán)境——PyGame

PyGame是一個基于Python的虛擬格斗游戲環(huán)境，在此過程中接收來自鍵盤和鼠標(biāo)的輸入，應(yīng)用編程接口和預(yù)定義的類降低了虛擬環(huán)境創(chuàng)建的難度。ICRA比賽的真實環(huán)境為8米*5米的場地，兩個機(jī)器人的出場地位于左上角和右下角，補(bǔ)充場地位于黃色十字區(qū)域。機(jī)器人在補(bǔ)給區(qū)被修復(fù)，當(dāng)它們站在補(bǔ)給區(qū)時，它們的生命值會持續(xù)上升，ICRA比賽的真實現(xiàn)場環(huán)境如圖1所示。

在圖1中，機(jī)器人無法通過的障礙物被顯示為深灰色矩形。通過研究決定，采用重新創(chuàng)建ICRA比賽的新戰(zhàn)斗環(huán)境，其中，障礙物和補(bǔ)給區(qū)域與原來的位置相同。為了增加決策的復(fù)雜性，增設(shè)彈藥重裝區(qū)，機(jī)器人可以在此區(qū)域進(jìn)行重新裝彈，避免子彈耗盡。

獎勵規(guī)則設(shè)置如下：在所有迭代開始時，獎勵被初始化為零。如果敵人被擊中，那么射手的獎勵將增加10點，而敵人將減少20點。如果敵人被摧毀，獎勵會激增到100點，如果玩家被摧毀，獎勵本身會下降到200點。彈藥和生命點不會影響?yīng)剟?，而生存時間將以對數(shù)形式加入獎勵。

強(qiáng)化學(xué)習(xí)就是智能系統(tǒng)從環(huán)境到行為映射的學(xué)習(xí)，使獎勵信號（強(qiáng)化信號）函數(shù)值最大，由于外部給出的信息很少，強(qiáng)化學(xué)習(xí)系統(tǒng)必須依靠自身的經(jīng)歷進(jìn)行自我學(xué)習(xí)。通過這種學(xué)習(xí)獲取知識，改進(jìn)行動方案以適應(yīng)環(huán)境。本研究運(yùn)用AlphaZero強(qiáng)化學(xué)習(xí)的方式，不斷完善機(jī)器人獎勵機(jī)制。

2.2 優(yōu)化Q學(xué)習(xí)的算法

Q-learning是強(qiáng)化學(xué)習(xí)中的一個決策算法，是讓計算機(jī)實現(xiàn)從一開始完全隨機(jī)地進(jìn)行操作，通過不斷地嘗試，從錯誤中學(xué)習(xí)，最后找到規(guī)律，學(xué)會了達(dá)到目的的方法。計算機(jī)在不斷的嘗試中更新自己的行為，從而一步步學(xué)習(xí)如何操作自己的行為得到高分。它主要包含四個元素：Agent、環(huán)境狀態(tài)、行動、獎勵。強(qiáng)化學(xué)習(xí)的目標(biāo)就是獲得最多的累計獎勵。

計算機(jī)就是Agent，它試圖通過采取行動來操縱環(huán)境，并且從一個狀態(tài)轉(zhuǎn)變到另一個狀態(tài)，當(dāng)它完成任務(wù)時給高分（獎勵），但是當(dāng)它沒完成任務(wù)時，給低分（無獎勵）。這也是強(qiáng)化學(xué)習(xí)的核心思想，所以強(qiáng)化學(xué)習(xí)具有分?jǐn)?shù)導(dǎo)向性。

我們實現(xiàn)的深度Q學(xué)習(xí)是基于PyTorch的卷積神經(jīng)網(wǎng)絡(luò)。網(wǎng)絡(luò)的輸入是模型訓(xùn)練過程中PyGame環(huán)境的一個截圖，輸出是給定輸入環(huán)境下的一個預(yù)測動作。該動作包括四個方向的移動（上、下、左、打），兩個槍操作方向（順時針、逆時針）和射擊。該神經(jīng)網(wǎng)絡(luò)為三層卷積神經(jīng)網(wǎng)絡(luò)，具有不同大小的核和漏項。激活層被分配給非線性ReLU層，我們選擇時間誤差作為損失函數(shù)（Loss Function），兩者具有相同的損失函數(shù)。把具有相同的最佳點作為傳統(tǒng)的Q-learning函數(shù)。下面列出了這個損失函數(shù)的梯度下降：

ψk+1=ψk-η∨ψ（qψk（x，u）-target（x;ψk）

因此，Q-learning的目標(biāo)函數(shù)為：

Q（st，a）←Q（st，a）+at+1+γmaxQ（st+1，p）-Q（st，a）

本模型的目標(biāo)是利用神經(jīng)網(wǎng)絡(luò)的非線性特性來模擬這個函數(shù)，該模型產(chǎn)生Q-learning函數(shù)的估計，使用蒙特卡洛樹搜索（MCTS）在Q-learning中找到相同的最優(yōu)值。

2.3 Actor-critic模型設(shè)計

Actor（機(jī)器人）為了得到盡量高的獎賞（Reward），需要一個策略：輸入state，輸出action，然后用神經(jīng)網(wǎng)絡(luò)來近似這個函數(shù)，剩下的任務(wù)就是如何訓(xùn)練神經(jīng)網(wǎng)絡(luò)，得到更高的reward。Critic（評委）：因為actor基于策略policy，所以需要評委critic計算出對應(yīng)actor的value來反饋給actor，判斷它的優(yōu)點和缺點，在此過程中需要使用到之前的Q值，這個Q值可以用神經(jīng)網(wǎng)絡(luò)來近似。

本研究實現(xiàn)Actor-critic模型設(shè)定在PyTorch中完成，模型的輸入是抽象的狀態(tài)元組，狀態(tài)元組代表在某一時刻機(jī)器人的狀態(tài)，包括機(jī)器人的位置、速度、運(yùn)行狀況和子彈數(shù)量等。Critic模型采用價值函數(shù)進(jìn)行估計，其中，選擇Q值作為估計的目標(biāo)值。而Actor模型是決策制定，該模型按照Critic建議的方向更新政策分配，其中，Critic函數(shù)和Actor函數(shù)都屬于神經(jīng)網(wǎng)絡(luò)模擬。

2.4 多人戰(zhàn)斗模型設(shè)計

上述模型設(shè)計是在單人環(huán)境中實現(xiàn)，通過計算機(jī)自動控制敵人，電腦玩家可以忽略障礙物的封鎖，并且擁有無限數(shù)量的彈藥。優(yōu)化后的虛擬環(huán)境中可以實現(xiàn)2人戰(zhàn)斗，兩個玩家在后端由兩個獨立的模型控制，通過重新部署AlphaGo戰(zhàn)略，試圖找出讓機(jī)器人從零開始學(xué)習(xí)規(guī)則的策略。

3 仿真結(jié)果

3.1 DQN模型結(jié)果

我們采用Deep Q-learning算法（以下簡稱DQN），它是基于價值的算法，這種算法中只有一個值函數(shù)網(wǎng)絡(luò)。DQN中關(guān)鍵點是引用值函數(shù)近似和損失函數(shù)，強(qiáng)化學(xué)習(xí)是一個反復(fù)迭代的過程，每一次迭代要解決兩個問題：給定一個策略求值函數(shù)和根據(jù)值函數(shù)來更新策略。DQN每次迭代更新神經(jīng)網(wǎng)絡(luò)的參數(shù)，首先會定義一個損失函數(shù)（Loss Function），然后使用梯度下降的優(yōu)化算法（GradientDescent，GD）來更新參數(shù)。

異步策略學(xué)習(xí)（Off-policy Learning）是Q-learning的特點，DQN中也沿用了這一特點。DQN中使用經(jīng)驗回放，即用一個記憶來存儲經(jīng)歷過的數(shù)據(jù)，每次更新參數(shù)的時候從記憶中抽取一部分的數(shù)據(jù)來用于更新，以此來打破數(shù)據(jù)間的關(guān)聯(lián)。

本試驗通過采用DQN模型仿真結(jié)果對比，DQN的訓(xùn)練效果明顯優(yōu)于Actor-critic的訓(xùn)練效果，并且卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）在決策過程中更能有效地找到合適的動作，這是因為圖像的復(fù)雜性使模型更容易判斷游戲情況，優(yōu)化后的圖像包含許多有用信息，如封鎖區(qū)域和不同的供電區(qū)域位置。然而，有時這種模式會以錯誤的方式表現(xiàn)，比如向空中射擊和在進(jìn)入近距離戰(zhàn)斗前浪費彈藥，采用的DQN模型獎勵功能如圖2所示。

3.2 Actor-critic結(jié)果

由于選擇有限維數(shù)的狀態(tài)元組，模型只能感知機(jī)器人的當(dāng)前狀態(tài)，無法告訴模型上電區(qū)域和障礙物的位置。此外，這種方法的訓(xùn)練難度大于前一種方法，這意味著訓(xùn)練時間較短，可能會導(dǎo)致模型無法收斂到更大的期望回報。從圖3中可以看出，該模型在提高獎勵期望方面并不有效。

3.3 多人戰(zhàn)斗模型結(jié)果

從獎勵情節(jié)中可以看到，有時玩家能夠找到消滅敵人的策略，而有時兩名玩家在空白區(qū)域徘徊。這是因為訓(xùn)練時間有限，導(dǎo)致模型無法探索虛擬環(huán)境中的所有可能性，圖4和圖5列出了兩個玩家的獎勵結(jié)果。

4 結(jié)語

通過研究ICRA比賽為載體，進(jìn)一步應(yīng)用和驗證強(qiáng)化學(xué)習(xí)算法，實現(xiàn)驗證和優(yōu)化Q學(xué)習(xí)基礎(chǔ)理論研究為目的。選擇ICRA比賽更新強(qiáng)化學(xué)習(xí)策略，一是由于ICRA比賽比較直觀和深受歡迎，二是機(jī)器人比賽是多項綜合技術(shù)的融合，是對強(qiáng)化學(xué)習(xí)基礎(chǔ)理論的考驗。與無模型的深度強(qiáng)化學(xué)習(xí)算法相比，還存在一定距離。在后續(xù)的工作中，需要更多的時間和更先進(jìn)的設(shè)備完善本模型，PyGame環(huán)境每次都需要截屏，這會浪費大量的計算資源，因此以后選擇更加簡練的環(huán)境，以此來提高效率。未來，可以通過調(diào)整該模型的神經(jīng)網(wǎng)絡(luò)和學(xué)習(xí)策略來實施進(jìn)一步優(yōu)化。同時，隨著機(jī)器人在環(huán)境中收集樣本的增加，將其與無模型的強(qiáng)化學(xué)習(xí)方法（Model-free RL）結(jié)合，將能在動態(tài)系統(tǒng)環(huán)境下實現(xiàn)更好的控制效果。

（責(zé)任編輯：武多多）

參考文獻(xiàn)：

[1]柯良軍，王小強(qiáng).強(qiáng)化學(xué)習(xí)[M].北京：清華大學(xué)出版社，2019.

[2]周炯槃，龐沁華，續(xù)大我，等.通信原理[M].3版.北京：北京郵電大學(xué)出版社，2008.

[3]聞欣研.MATLAB從入門到精通[M].3版.北京：清華大學(xué)出版社，2017.

[4]田寶玉，楊潔，賀志強(qiáng)，等.信息論基礎(chǔ)[M].2版.北京：人民郵電出版社，2016.?

[5]劉寶玲，李立華，張曉瑩，等.通信電子電路[M].北京：高等教育出版社，2007.