24分钟让AI跑起飞车类游戏

本文由云+社区发表

做者：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。咱们使用Distributed PPO训练AI，在短期内能够取得不错的训练效果。

---

本方法的特色：

1. 纯游戏图像做为输入
2. 不使用游戏内部接口
3. 可靠的强化学习方法
4. 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，从而保证策略能够单调改进。在2017年，DeepMind提出了Distributed PPO，将PPO进行相似于A3C的分布式部署，提升了训练速度。以后，OpenAI又优化了PPO中的代理损失函数，提升了PPO的训练效果。

本文不介绍PPO的算法细节，想学习的同窗能够参考如下三篇论文：

【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。由于红色框中的标志位置都固定，所以咱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。结束状态以后的图像都是UI图像，咱们使用UI自动化的方案，识别不一样的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

咱们对游戏关卡中的图像识别了速度的数值，做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

咱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输出当前时刻须要执行的动做，Critic输出当前时刻运行状态的评价。AlexNet使用从输入层到全链接层以前的结构，包含5个卷积层和3个池化层。Actor和Critic都有两个全链接层，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，输出动做策略。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

咱们将小地图图像的尺寸变为121X121，输入到AlexNet网络后，在第三个池化层能够得到2304维的特征向量（57622=2304）。将这个特征向量做为Actor和Critic的输入。咱们使用在ImageNet上训练后的AlexNet提取图像特征，而且在强化学习的过程当中没有更新AlexNet的网络参数。

3.3 动做设计

咱们目前在设计飞车类游戏动做时，使用离散的动做，包括三种动做：左转、右转和NO Action。每种动做的持续时间为80ms，即模拟触屏的点击时间为80ms。这样的动做设计方式比较简单，便于AI快速地训练出效果。若是将动做修改成连续的动做，就能够将漂移添加到动做中，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

若是将游戏的胜负做为激励来训练AI，势必会花费至关长的时间。在本文中，咱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按照如下方式计算：

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使AI减小撞墙的几率，而且鼓励AI寻找加速点。

4. 训练环境

4.1 硬件

咱们搭建了一个简单的分布式强化学习环境，能够提升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

主要包含如下硬件：

1）3部相同分辨率的手机，用于生成数据和执行动做。

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，另外一台电脑Server用于训练AI。

3）1个交换机，链接两台电脑，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

咱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，分别与三部手机相链接。

在Server端设置一个master进程和三个worker线程。master进程和三个worker线程经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线程经过交换机传输数据。

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线程返回动做；

6）发送动做到手机；

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输出的动做发送到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的训练参数不少，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

视频连接：https://v.qq.com/x/page/q1356...

6.3 数据分析

表1和表2分别对比了不一样并行数量和不一样输入数据状况下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状况下，利用PPO训练24分钟就可让AI跑完赛道，训练7.5小时就可让AI取得第一名（和内置AI比赛）。而且在减小一部手机采样的状况下，也能够达到相同的训练效果，只是训练过程耗时更长一点。另外，若是将输入数据从小地图换成全图，AI的训练难度会有必定程度的增长，不必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展现了利用PPO训练AI过程当中激励的趋势图，曲线上每个点表示一局累计的总激励。训练开始时，AI常常撞墙，总激励为负值。随着训练次数的增长，总激励快速增加，AI撞墙的概率很快下降。当训练到1400屡次时，总激励值超过400，此时AI恰好能够跑完赛道。以后的训练过程，总激励的趋势是缓慢增加，AI开始寻找更好的动做策略。

7.jpg

图7 AI训练过程当中激励的趋势图

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。当前的方法有必定训练效果，可是也存在不少不足。

目前，咱们想到如下几个改进点，之后会逐一验证：

1）将AlexNet替换为其余卷积神经网络，如VGG、Inception-V3等等，提升特征提取的表达能力。

2）提升并行数量，添加更多手机和电脑，提升采样速度和计算速度。

3）增长Batch Size，使用较长的时间序列数据训练AI。

4）将离散动做替换为连续动做，增长漂移的学习。

5）多个关卡同时训练，提升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，能够关注咱们腾讯云技术社区-云加社区官方号及知乎机构号