Unity机器学习3 ML-Agents模仿学习（Imitation Learning）
上一章的例子中，机器通过自主学习不断强化训练来学习（Reinforcement Learning），随机移动来到目标球位置，相对来说比较简单，只是通过随机数来学习。如果是复杂一点的环境，可能耗费几百万Step也可能无法学习到。
本章将介绍让机器人通过模仿进行（Imitation Learning）学习，达到并超越。
这里我举例说明什么是模仿学习。
假如你家的小狗狗喜欢撕咬沙发，那么你告诉它不要咬他是听不懂的。你可以找一只仿真小狗玩具或者布偶，让布偶去撕咬沙发，然后你再用你沙包大的拳头揍布偶小狗，看看你家狗狗的反应，如果他明白了撕咬沙发会挨揍，那么他就达到了学习目的。
强化学习和模仿学习（Reinforcement Learning Vs Imitation Learning）
区别就好比上面的例子，强化学习就是让狗自己学会不咬沙发，听起来挺难的，不是吗？模仿学习就是用上面的布偶的办法或者其他一些有效的方法。
或者我们换一个例子：
让一个从来没玩过电子游戏的人玩游戏，他根本不知道手柄的按钮都是干什么的，按了遥感就移动了，按了旁边的按钮A就发射子弹了，这个就属于强化学习。而模仿学习就是有一个游戏高手在旁边指导，你觉得哪一个学习更加有效呢？
机器模仿学习就是要达到这样效率的学习方式。下面我们还是通过一个Demo来了解。
Demo编写
本章的例子我们编写一个喂食器，方块（agent）需要走到按钮处，踩下按钮，这样就会触发掉出一块糖，然后再去吃糖获得奖励。
我们先把场景梳理一遍。
和上一章场景类似
wall，四个面，BoxCollider我们不勾选IsTrigger，阻止agent掉落。
plane是地板。
foodSpawn是出现food的衍生器。
foodSpawn上需要挂一个脚本
using System.Collections;
using System.Collections.Generic;
using UnityEngine;
//UTF8 说明
public class FoodSpawn : MonoBehaviour
{
public GameObject prefab;
public bool hasFood;
GameObject food;
public Vector3 GetFoodAt()
{
if (food == null)
return Vector3.zero;
return food.transform.localPosition;
}
//投食
public void PutInFood()
{
hasFood = true;
food = GameObject.Instantiate(prefab);
food.name = "food";
food.SetActive(true);
food.transform.parent = transform.parent;
food.transform.localPosition = transform.localPosition;
}
//获取食物（被吃掉）
public void GetFood()
{
hasFood = false;
if (food != null)
GameObject.Destroy(food);
food = null;
}
}
food（灰色）是foodSpawn创建食物时候的prefab。
swith是方形的按钮。
using System.Collections;
using System.Collections.Generic;
using UnityEngine;
//UTF8 说明
public class FoodSwitch : MonoBehaviour
{
public FoodSpawn foodSpawn; //触发的食物衍生
public Renderer renderSwitch; //改变按钮颜色
public Material onMat; //按下的材质
public Material offMat; //关闭的材质
public bool isOn; //按钮是否打开
public void Clear()
{
isOn = false;
renderSwitch.material = offMat;
//让按钮还原高度
renderSwitch.transform.localPosition = new Vector3(0f, -0.5f, 0f);
//获得食物，并吃掉
foodSpawn.GetFood();
}
public void Switch(bool on)
{
if (!isOn && on)
{
isOn = true;
renderSwitch.material = onMat;
//让按钮按下去
renderSwitch.transform.localPosition = new Vector3(0f, -0.65f, 0f);
//投食
foodSpawn.PutInFood();
}
else if (isOn && !on)
{
isOn = false;
renderSwitch.material = offMat;
//让按钮还原高度
renderSwitch.transform.localPosition = new Vector3(0f, -0.5f, 0f);
//获得食物，并吃掉
foodSpawn.GetFood();
}
}
}
agent就是我们的ai，我们依旧编写一个FoodAgent，继承于FoodAgent，会自动添加BehaviorParameters脚本。我们还要添加一个DecisionRequester脚本。上一章我们都介绍过。
因为更新了MLAgent版本，Actions的Continuous和Discrete可以混用了。可以看到和上一章有所不同，本章我们用离散的方法来进行。
我们先贴上完整代码
using System.Collections;
using System.Collections.Generic;
using UnityEngine;
using Unity.MLAgents;
using Unity.MLAgents.Actuators;
using Unity.MLAgents.Sensors;
public class FoodAgent : Agent
{
[SerializeField] FoodSwitch foodSwitch;
[SerializeField] FoodSpawn foodSpawn;
[SerializeField] Renderer plane;
float moveSpd = 3f;
Rigidbody rig;
private void Awake()
{
rig = GetComponent<Rigidbody>();
}
//当一段经历开始
public override void OnEpisodeBegin()
{
transform.localPosition = new Vector3(Random.Range(-9f, 0f), 0f, Random.Range(-4f, 4f));
foodSwitch.transform.localPosition = new Vector3(Random.Range(3f, 9f), 0f, Random.Range(-4f, 4f));
foodSpawn.transform.localPosition = new Vector3(Random.Range(-9f, 0f), 5f, Random.Range(-4f, 4f));
foodSwitch.Clear();
Debug.Log("经历开始");
}
//通过传感器把坐标传入监视
public override void CollectObservations(VectorSensor sensor)
{
sensor.AddObservation(foodSwitch.isOn ? 1 : 0);
Vector3 dir = (foodSwitch.transform.localPosition - transform.localPosition).normalized;
sensor.AddObservation(dir.x);
sensor.AddObservation(dir.z);
sensor.AddObservation(foodSpawn.hasFood ? 1 : 0);
if (foodSpawn.hasFood)
{
Vector3 dirfood = (foodSpawn.GetFoodAt() - transform.localPosition).normalized;
sensor.AddObservation(dirfood.x);
sensor.AddObservation(dirfood.z);
}
else
{
sensor.AddObservation(0f);
sensor.AddObservation(0f);
}
//Debug.Log("Observations : " );
}
//行动接收
public override void OnActionReceived(ActionBuffers actions)
{
float moveX = actions.DiscreteActions[0];
float moveZ = actions.DiscreteActions[1];
bool switchon = actions.DiscreteActions[2] == 1;
//Debug.Log("OnAction : " + moveX+","+ moveZ + ","+ switchon);
Vector3 addforce = Vector3.zero;
switch (moveX)
{
case 0:
addforce.x = 0f; break;
case 1:
addforce.x = -1f; break;
case 2:
addforce.x = 1f; break;
}
switch (moveZ)
{
case 0:
addforce.z = 0f; break;
case 1:
addforce.z = -1f; break;
case 2:
addforce.z = 1f; break;
}
rig.velocity = addforce * moveSpd + new Vector3(0f, rig.velocity.y, 0f);
//transform.localPosition += new Vector3(moveX, 0f, moveZ) * Time.deltaTime * moveSpd;
//Debug.Log(rig.velocity+","+ addforce);
if (switchon)
{
Collider[] colls = Physics.OverlapBox(transform.position, Vector3.one * 0.5f);
for (int i = 0; i < colls.Length; i++)
{
if (colls[i].name.Equals("switch"))
{
if (!foodSwitch.isOn)
{
foodSwitch.Switch(true);
AddReward(1f);
Debug.Log("AddReward - switch");
}
}
}
}
AddReward(-1f / MaxStep);
}
//启发
public override void Heuristic(in ActionBuffers actionsOut)
{
ActionSegment<int> actions = actionsOut.DiscreteActions;
switch (Mathf.RoundToInt(Input.GetAxisRaw("Horizontal")))
{
case -1:
actions[0] = 1; break;
case 0:
actions[0] = 0; break;
case 1:
actions[0] = 2; break;
}
switch (Mathf.RoundToInt(Input.GetAxisRaw("Vertical")))
{
case -1:
actions[1] = 1; break;
case 0:
actions[1] = 0; break;
case 1:
actions[1] = 2; break;
}
actions[2] = Input.GetKey(KeyCode.E) ? 1 : 0;
}
private void OnCollisionEnter(Collision collision)
{
if (collision.collider.name.Equals("food"))
{
AddReward(1f);
Debug.Log("AddReward - food");
Destroy(collision.collider.gameObject);
foodSwitch.Switch(false);
EndEpisode();
}
}
}
回合开始 - OnEpisodeBegin
在每次回合开始，我们把agent，switch，foodspawn都随机一个位置。
收集观察信息 - CollectObservations
我们需要传入6个数据，如下图，对应BehaviorParameters里的SpaceSize（6），这6个数据依次为：
开关的开关（开or关）；
开关的位置（x ， z）；
食物是否投放；
食物衍生点（x ， z） - 没有食物，x、z传入0f。
行动 - OnActionReceived
我们再来巩固下上一章的内容，这里也比较容易和SpaceSize混淆。
注意我们在BehaviorParameters里因为配置了3个离散数据（Discrete Branches）。
分支0代表了moveX，可能出现三种情况（0，1，2），所以是3；
分支1代表了moveZ，同上；
分支2代表了是否按下了按钮。
代码中获得了上面的数据后，把moveX，moveZ传给了刚体进行物理移动。
swithon获得到按下按钮后，判断agent附近是否有按钮，如果有就按下按钮，这时候会有一个食物创建出来，并进行奖励。
函数最后有一个AddReward(-1f / MaxStep); 这个是为了让机器用最少的步数来学习。
吃掉食物 - OnCollisionEnter
这里检测到如果agent碰到了food就给予奖励，并删除food对象，并自动跳起食物开关。
启发 - Heuristic
这样所有的逻辑就通了，我们再来编写一个启发，来验证我们脚本是否正常执行。
首先通过判断左右是否按下传入第一个参数。
然后通过判断上下是否按下传入第二个参数。
最后通过判断是否按下了E传入第三个参数。
这样就模拟了机器的3个行动指令。
测试运行
到这里所有代码准备完毕了，我们来测试是否通畅。我们把BehaviorType调整到Heuristic Only，点击运行。
运行良好。
机器自主学习
首先我们也单独配置一个yaml。我们可以把上一节的movetarget.yaml复制一份，改为food.yaml
behaviors:
FoodAgent:
trainer_type: ppo
hyperparameters:
batch_size: 10
buffer_size: 100
learning_rate: 3.0e-4
beta: 5.0e-4
epsilon: 0.2
lambd: 0.99
num_epoch: 3
learning_rate_schedule: linear
beta_schedule: constant
epsilon_schedule: linear
network_settings:
normalize: false
hidden_units: 128
num_layers: 2
reward_signals:
extrinsic:
gamma: 0.99
strength: 1.0
max_steps: 500000
time_horizon: 64
summary_freq: 10000
注意，这里要修改behaviors的名字为FoodAgent，要和BehaviorParameters里的名字对应，也就是yaml文件的第二行。
然后我们开始mlagent的运行环境
进入项目目录输入
venv\scripts\activate
mlagents-learn config/food.yaml --run-id=foodtest1
我们把Unity的Behavior Type改回Default进入学习模式。
点击开始运行。
我们从GIF中可以看到，还算运气好，agent机器人按照随机的这种运行模式，进入了开关范围并按下了开关，黄色的Food也掉落了下来，但是agent并没有跑向food，因为所有的机器逻辑都是随机的，如果场景再更加复杂，只靠随机数来让机器学习，那么可能等到下班或者退休了。
所以这才开始进入本章的主题-模仿学习（Imitation Learning）
模仿学习（Imitation Learning）的学习录制
我会点击agent对象，添加新的脚本Demonstration Recorder（示范录制）
我们勾选Record复选框。
这里的名字随意，我这里还命名成FoodAgent，目录是Recorders。
我们把BehaviorType改为Heuristic Only。 这样我们再次运行起来后会把我们的Heuristic保存起来，作为训练人工智能的学习“影片”。我们点击运行后，进行几次操作后关闭游戏，就会生成一个demo文件。后面机器模仿学习会使用到。
我们把这个文件放入assets里看看
它会告诉您您玩了多少集以及您积累了多少奖励。
因为我们有两次奖励，所以MeanReward大概在1.9以上是比较高的奖励了。
录制使用和yaml配置
为了让机器学习使用这个FoodAgent.demo，我们需要修改yaml配置文件。
如下：
behaviors:
FoodAgent:
trainer_type: ppo
hyperparameters:
batch_size: 10
buffer_size: 100
learning_rate: 3.0e-4
beta: 5.0e-4
epsilon: 0.2
lambd: 0.99
num_epoch: 3
learning_rate_schedule: linear
beta_schedule: constant
epsilon_schedule: linear
network_settings:
normalize: false
hidden_units: 128
num_layers: 2
reward_signals:
extrinsic:
gamma: 0.99
strength: 1.0
gail:
strength: 0.1
demo_path: Recorders/FoodAgent.demo
behavioral_cloning:
strength: 0.1
demo_path: Recorders/FoodAgent.demo
max_steps: 500000
time_horizon: 64
summary_freq: 10000
在reward_signals里添加gail。
Gail - 模仿
GAIL (Generative Adversarial Imitation Learning) 代表模仿，是一种模仿学习算法，它使用对抗模仿学习，类似于 GAN（Generative Adversarial Networks）。
我们需要配置几个主要的gail参数：
strength
如果你想他做出和你的模仿相同的举动，可以设置strength为1.0，但是我们可以希望agent变得比你的操作做的更好、更加聪明，所以推荐strength占比不要太高。
demo_path
就是我们的模仿文件，这里填写路径和文件名Recorders/FoodAgent.demo
behavioral_cloning (BC) - 行为克隆
行为克隆behavioral_cloning (BC) 训练代理的神经网络以精确模仿一组演示中显示的动作。它基本上是一种完全复制所展示的任何内容的代理。这仅对最基本的 AI 代理有用。我们显然不会使用 BC，因为我们的代理和方块在随机位置生成。这使得代理无法正确执行任务，因为每个场景都是新的。
如果您想使用预先录制的演示帮助您的代理学习（尤其是在奖励稀少的环境中），除了获得外在奖励外，您通常可以同时启用低强度的 GAIL 和BC。因此，我们将使用 代表“生成对抗模仿学习”的GAIL。使用这种方法，有效地使用了两个神经网络。
behavioral_cloning:
strength: 0.1
demo_path:Recorders/FoodAgent.demo
这个行为克隆。他获得了和你一样的行为，然后和gail结合产生了和你相似的行为。
这里注意，最好格式全部使用空格，如果有tab，会提示报错，用过python的语法的朋友应该都了解。
self.get_mark())
yaml.scanner.ScannerError: while scanning for the next token
found character '\t' that cannot start any token
in "config/food.yaml", line 24, column 7
或者有其他错误提示。直到正常启动看到Unity的文字logo。
具体的配置可以参考这里。
关于BC（behavioral_cloning）和Gail可以看这里。
机器模仿学习
我们可以复制多个ground组，让很多agent一起学习。如图：
我们关闭DemonstrationRecorder的Record的勾。
我们再次调整HavroralType为default。
运行机器学习环境
mlagents-learn config/food.yaml --run-id=foodtest9
这样就开始群体训练了。
这里我发现有时很卡，看了下参数，可以把下面两个批次处理数量改大一些。
hyperparameters:
batch_size: 1024
buffer_size: 8192
训练了一下午，发现机器会越来越笨。再次阅读文档，调整了参数。
behaviors:
FoodAgent:
trainer_type: ppo
hyperparameters:
batch_size: 1024
buffer_size: 8192
learning_rate: 3.0e-4
beta: 5.0e-4
epsilon: 0.2
lambd: 0.99
num_epoch: 3
learning_rate_schedule: linear
beta_schedule: constant
epsilon_schedule: linear
network_settings:
normalize: false
hidden_units: 128
num_layers: 2
behavioral_cloning:
demo_path: Recorders/FoodAgent.demo
strength: 0.5
steps: 150000
reward_signals:
extrinsic:
strength: 1.0
gamma: 0.99
curiosity:
strength: 0.02
gamma: 0.99
encoding_size: 256
gail:
strength: 0.01
gamma: 0.99
encoding_size: 128
demo_path: Recorders/FoodAgent.demo
max_steps: 5000000
time_horizon: 64
summary_freq: 10000
yaml重要参数说明
文档里说到最好gail的strength小于0.1，看到官方的例子，都是0.01，我也改小了。
“gamma”决定了agent是应该寻求即时奖励还是追求从长远来看将获得更多奖励的策略。较低的值会导致前者，而较高的值（如 0.99）将寻找可以长期获得回报的东西。
“batch_size”和“buffer_size”确定代理在更新策略并继续梯度下降之前应该使用多少经验，以减少梯度下降期间的体验，但在更新策略时提供更多体验。这些 必须是彼此的倍数，否则数学不成立。
“beta”值。这会影响代理将采取的随机操作的数量。较高的值使其更随机。让我们将其设置为 0.003，因为如果代理找到了最大化奖励的路径，则任务不一定需要很大的偏差。
“max_steps”值从 500,000 增加到 5,000,000，以便为我们提供更多空间让代理训练。
该配置文件包含所谓的“超参数（hyperparameters）”，它们是一组特殊的参数，可以在最细粒度的级别上影响神经网络。
hidden_units-值是神经网络中将使用的神经元数量。
num_layers-是我们要使用的神经元层数。显然，这两个值越大，训练时间就越长，但如果你正在训练一个复杂的代理，你可能需要额外的神经元，以提高精度。
增加成功绿色提示
我给界面上显示了两个时间，左边的是当前时间，右边的是最短吃到食物的时间，如果在一个合理范围内（允许比最短时间大greenrange（5秒）时长）plane就是绿色的，如果超出了最大时间一段范围就变成灰色。
最后的代码：
using System.Collections;
using System.Collections.Generic;
using UnityEngine;
using Unity.MLAgents;
using Unity.MLAgents.Actuators;
using Unity.MLAgents.Sensors;
public class FoodAgent : Agent
{
[SerializeField] FoodSwitch foodSwitch;
[SerializeField] FoodSpawn foodSpawn;
[SerializeField] Renderer plane;
[SerializeField] TextMesh text;
float moveSpd = 3f;
Rigidbody rig;
float btime;
float greentime = 1000f; //当前最快结束的
float usetime;//本次用时
const float greenrange = 5f; //比最快值长，也是绿色
private void Awake()
{
rig = GetComponent<Rigidbody>();
}
//当一段经历开始
public override void OnEpisodeBegin()
{
btime = Time.time;
transform.localPosition = new Vector3(Random.Range(-9f, 0f), 0f, Random.Range(-4f, 4f));
foodSwitch.transform.localPosition = new Vector3(Random.Range(3f, 9f), 0f, Random.Range(-4f, 4f));
foodSpawn.transform.localPosition = new Vector3(Random.Range(-9f, 0f), 5f, Random.Range(-4f, 4f));
foodSwitch.Clear();
Debug.Log("经历开始");
}
//通过传感器把坐标传入监视
public override void CollectObservations(VectorSensor sensor)
{
sensor.AddObservation(foodSwitch.isOn ? 1 : 0);
Vector3 dir = (foodSwitch.transform.localPosition - transform.localPosition).normalized;
sensor.AddObservation(dir.x);
sensor.AddObservation(dir.z);
sensor.AddObservation(foodSpawn.hasFood ? 1 : 0);
if (foodSpawn.hasFood)
{
Vector3 dirfood = (foodSpawn.GetFoodAt() - transform.localPosition).normalized;
sensor.AddObservation(dirfood.x);
sensor.AddObservation(dirfood.z);
}
else
{
sensor.AddObservation(0f);
sensor.AddObservation(0f);
}
//Debug.Log("Observations : " );
}
//行动接收
public override void OnActionReceived(ActionBuffers actions)
{
float moveX = actions.DiscreteActions[0];
float moveZ = actions.DiscreteActions[1];
bool switchon = actions.DiscreteActions[2] == 1;
//Debug.Log("OnAction : " + moveX+","+ moveZ + ","+ switchon);
Vector3 addforce = Vector3.zero;
switch (moveX)
{
case 0:
addforce.x = 0f; break;
case 1:
addforce.x = -1f; break;
case 2:
addforce.x = 1f; break;
}
switch (moveZ)
{
case 0:
addforce.z = 0f; break;
case 1:
addforce.z = -1f; break;
case 2:
addforce.z = 1f; break;
}
rig.velocity = addforce * moveSpd + new Vector3(0f, rig.velocity.y, 0f);
//transform.localPosition += new Vector3(moveX, 0f, moveZ) * Time.deltaTime * moveSpd;
//Debug.Log(rig.velocity+","+ addforce);
if (switchon)
{
Collider[] colls = Physics.OverlapBox(transform.position, Vector3.one * 0.5f);
for (int i = 0; i < colls.Length; i++)
{
if (colls[i].name.Equals("switch"))
{
if (!foodSwitch.isOn)
{
foodSwitch.Switch(true);
AddReward(1f);
Debug.Log("AddReward - switch");
}
}
}
}
AddReward(-1f / MaxStep);
}
//启发
public override void Heuristic(in ActionBuffers actionsOut)
{
ActionSegment<int> actions = actionsOut.DiscreteActions;
switch (Mathf.RoundToInt(Input.GetAxisRaw("Horizontal")))
{
case -1:
actions[0] = 1; break;
case 0:
actions[0] = 0; break;
case 1:
actions[0] = 2; break;
}
switch (Mathf.RoundToInt(Input.GetAxisRaw("Vertical")))
{
case -1:
actions[1] = 1; break;
case 0:
actions[1] = 0; break;
case 1:
actions[1] = 2; break;
}
actions[2] = Input.GetKey(KeyCode.E) ? 1 : 0;
}
private void OnCollisionEnter(Collision collision)
{
if (collision.collider.name.Equals("food"))
{
AddReward(1f);
Debug.Log("AddReward - food");
Destroy(collision.collider.gameObject);
foodSwitch.Switch(false);
//计算用时
float nowtime = Time.time;
usetime = nowtime - btime;
if (usetime < greentime)
{
greentime = usetime;
}
if (usetime - greenrange < greentime)
{
isgreen = true;
//如果比最短时间大一定数值还是允许是绿色的。
plane.material.color = Color.green;
}
EndEpisode();
}
}
bool isgreen;
private void Update()
{
usetime = Time.time - btime;
text.text = ((int)usetime).ToString()+"/" +((int)greentime).ToString();
if (isgreen)
{
//如果是绿色的，检测超时就改为灰色
if (usetime - greenrange > greentime)
{
//如果比最短时间大一定数值还是允许是绿色的。
plane.material.color = Color.gray;
isgreen = false;
}
}
}
}
上面的GIF是最终效果，开始很长一段时间agent都吃不到食物，甚至开关都找不到，一旦成功了，后面会越来越聪明了。调整yaml参数会让你的agent学习事半功倍。我们看到右边的数字基本都在3-5秒左右。
我们成功获得了AI文件后。
复制FoodAgent.onnx到项目里，并且挂到Model里，并设置InerenceOnly，我们看看训练的成果吧。
好了，本章的模仿学习就到这里了。
下一章我们可能会做一个更加复杂的机器学习的例子。
引用：
MLAgent
504
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
