深度强化学习报道
来源：CSDN Blog(洛阳羊肉汤-真香)
编辑：DeepRL
在强化学习的发展中，游戏领域无疑是最好的研究环境，而最近强化学习在无人驾驶等决策等相关领域也有了广泛的研究。本文讲述则用深度强化学算法（DRL）在unity环境中制作完全基于物理引擎的无人驾驶自行车学习以及相关流程。文章主要面向研究强化学习的人，而不是unity开发者。因此无人驾驶自行车的环境会贴出gym环境的形式而不是unity工程的形式供大家把玩。
首先说句题外话，有很多哥们问我：“你这个做的有点意思，但是有啥用呢？” 是的，我做的这个是虚拟环境中实现的，但是目前很多强化学习在现实中的应用都是先在虚拟环境加速训练，再迁移到现实，比如anymal机器狗，树枝做的机器人等等。甚至，像openai的Dactyl机械手，直接虚拟环境训练好都不用微调，就能在现实中用，简直天秀。其思想就是：与其尽可能的模拟真实，不如在与真实环境较为相似的随机环境中训练，就能适应真实环境。
一、环境搭建
虽然环境的搭建是用unity和C#写的，只有后端是python训练的，但只有了解了环境才好设置状态，动作，奖励函数，所以这部分内容也是非常重要的。
1.1
基于物理的自行车
DRL研究者不一定熟悉unity引擎，我下面首先对unity环境的搭建进行简要介绍。unity是一个专业的3d游戏引擎，有完整的物理系统。那么对于无人驾驶自行车，我们首先需要一辆基于物理运动的车。unity有一个内置的用于赛车游戏的车轮组件：Wheel Collider,它的参数除了图中截到的车轮重量，车轮半径，悬架弹力设置等等，还有前向，侧向摩擦等设置，该组件达到的效果就是能较为真实的模拟各种车轮。对于自行车，对各个参数设置一个较为合理的数值，比如车轮半径0.5m。
而这只是一个轮子的，自行车有两个轮子，那就需要两个Wheel Collider,在unity项目中，也就是front（前轮）和rear（后轮）
如果你使用的是其他游戏引擎，一般都会有相应的赛车制作方法，方法大同小异。甚至如果真没有相关支持，可以自己写一个赛车物理系统，虽然这很麻烦（虽然不用从袁隆平说起，至少也要从发动机，一系列计算后得到车轮的扭矩）,如果你真的需要在一些小众的虚拟环境中自己撸出来整个赛车物理，可以参考gameinstitute 的GI racing教程。在unity中，做好的自行车长下图这个样子：
其中脚蹬没有实际用处，只是我抖个机灵；车身用一个板子简单的模拟，并且用这个板子来判断与其他物体的碰撞；而两个车轮各有一个wheel collider组件。然后，我们还需要一个定义自行车属性的脚本，如图中：设定了前轮（图中是Left wheel)勾选了steering（可以转向），后轮勾选了驱动（自行车当然是后轮驱动）。
如果你对如何制作自行车物理仍然听的有点晕，没关系，unity官网有一个教你五分钟搭建一个四轮车的教程，而你把四轮车拆掉两个轮子，余下两个轮子挪到中间，就成了自行车。
1.2
人体重心模拟
但是这样自行车就能不倒吗？我们人类骑车的话，身体的重心是在不停调整的，与车速，车倾斜角度等配合，达到了车不倒的效果，因此，在这个无人驾驶自行车中，除了车，还需要一个可移动的重心。当然，如果不用和人骑车类似的控制方式，也不是说就骑不了，比如谷歌在愚人节发布的吹牛逼版自行车，清华学霸发明的真 · 无人驾驶，还有泰国学霸版的，只不过我想玩这种靠重心的哈哈。这个重心的移动应该是靠力矩（就像人的腰部关节的扭矩力，让人身体各种倾斜），因此我在车上加了一个类似于机械臂的物体，该物体模拟人的倾斜，从而改变人与车整体的重心。机械臂以底端为关节点旋转，只能在图中红线所画的圆锥范围内（与垂直轴夹角不超过45度）靠扭矩力移动。机械臂利用了unity的configurable joint（可配置关节）实现，可配置关节比较复杂，我就不讲了，反正作用就和mujoco里的机械臂一样一样的，靠扭矩力（底端的关节点）移动。
1.3
其他
自行车和模拟人体重心的部分都做好了，剩下的就是车要交互的场景了，如果你看了开头的视频，里面展示了两个环境，一个是直线加速环境，另一个是训练转弯的环境。两个环境中都有一个target（直线环境中为位于终点的黄色物体，弯道环境中为派大星）。而自行车需要保持不倒，并且尽快碰到target。由于弯道环境比直线环境训练起来更加困难的多得多得多，因此我在弯道环境多次使用了迁移学习，所以gym版环境就不包含弯道环境了（不用迁移，直接训练弯道环境到达成目标应该是做不到的），只有直线的。
二、定义DRL的输入与输出
DRL算法从神经网络的角度看，还是给输入，神经网络吐出输出。输入就是状态，也就是环境中你需要了解的东西，吐出来的就是动作，也就是你在这种状态下该咋办。在无人驾驶自行车这个小项目中，我设置的状态如图：
图中标号1，代表在世界坐标系下车目前离目标的距离的向量（状态 3），并且用1500m来归一化（因为直线赛道我设置了1500米长，注释里的100m请无视），因为3d环境，所以向量是三维的，也就是已经有三个输入了。
图中标号2，代表车子到赛道中心（1500m长的板子的中心位置，750m处）的向量（ 3）。需要说明的是，在后面的弯道环境中，并没有采用这个向量，只有车与目标间的相对位置，角度等。训练时与绝对坐标点无关，车子才能在任意地方都到达target。
图中标号3，当前时刻车速，也是向量（ 3）。
图中标号4，当前车的角速度，也是向量（ 3），考虑角速度是怕自行车逮虾户（漂移），在真的不确定某个状态需不需要时，我一般都会加上，多加个状态，结果又不会变多差，我觉得这不是造原型时需要过度考虑的。
图中标号5，车身的前向在世界坐标中的三维向量（也就是人坐车上脸超前的方向）（ 3），该向量与标号1的向量做点积，可以得到两向量的夹角，这个信息是很有用的。
图中标号6，车子自身坐标的上方向，在世界坐标下的向量值（也就是车坐下面那根棍子，方向朝着车座，的单位向量）（ 3）
图中标号7，车头相对于车身的旋转角度（左右旋转我都限制了不超过45度）（ 1）。
图中标号8，当前时刻车子是否碰着地面（ 1）
图中标号9，当前自行车后轮的扭矩力大小（动力，我设置的扭矩不超过80N）（ 1）
图中标号10，11，14共同表示了重心的当前的状态（ 3）。简单解释的话,图中红色和黄色代表了人在以车身为坐标系下的旋转，两个方向都只能左右倾斜45度，也就是每个方向有90度活动空间，0和1说明是归一化了，因此，图中正坐在车上时，状态10和11都是0.5. 而状态14代表了机械臂的扭矩力的大小（图中柱子的底端用力）。
图中标号12表示机械臂的在世界坐标下的旋转角度（由四元数表示，因此 4）
图中标号13，表示机械臂当前的角速度（ 3）
以上，共31个状态。我猜看到这，大家疑问最多的问题就是：你干嘛不用卷积，直接把图像当输入。(⊙﹏⊙)因为，我这是游戏引擎，我能直接得到上面这些信息，我干嘛还要用图像再去推断我车子现在倾斜多少，距离目标多远这些信息呢，对于车速等信息，还要将多帧图片堆叠，还要用RNN来表征，这使问题更复杂了。在做这个车时，我自己也没谱能否训练好，所以自然会去选最容易训练好的状态信息。现在我确信车子能训练好了，倒是可以用CNN RNN当输入状态试试看（但是我懒?）
输入说完了，那么神经网络的输出动作呢？这就比较直觉了，输出动作共5个：
1.车头旋转角度的增量（即该时刻下车头应该增加的角度，限制了最大增量一秒100度（-100到 100），才真实嘛）
2.后轮扭矩的增量（一秒最多增加80N），动作3，4，5共同决定了该时刻人的腰部准备往哪个方向用力，腰部用多大的力。动作3代表了图（7）中红色扇形中的某个位置（神经网络估计出的），相应的，动作4代表了黄色扇形中的一个位置，3，4共同确定了一个人想在此时到达的目标位置，而动作5表示了为了到该位置，人腰部目前用的力的大小（这可真真实?）
三、奖励函数的设置
环境搭好了，输入输出也都设置好了，那么就到了比较有意思又见仁见智的奖励函数设置环节啦。不管是直线加速环境还是拐弯训练环境，如果都只在碰到终点时给予奖励，倒了就失败，那真的是打死它它都训练不好，这是标准的稀疏奖励问题。那么一个比较常用的手段就是reward shaping，也就是除了最终奖励之外，我们造一些奖励引导AI达到目标。在直线环境中，我给AI的附加附加奖励是当车与目标的距离变短了，就给它奖励，这样它就会想尽办法尽量靠近目标。其他奖励就是，如果掉出板子，就-1，直接结束；如果车身倾斜角度大于45度，就-1，直接结束；如果碰到目标，就 1，结束。
而弯道环境更加复杂，只用reward shaping都不行，我还多次用了课程学习（其实就是迁移学习），如图：
在弯道环境中，如果一开始就让目标在车一定半径内随机位置出现，训练自行车，基本上训练不好，因为奖励太稀疏了，自行车需要不倒，并控制拐弯，还要拐好角度，最终才能碰到目标。因此我将整个训练分成了多个阶段性任务。首先，目标只会出现在红色扇形区域，并且给车一定的初速度，这样车比较容易碰到目标；训练好之后（可以为训练了足够轮数，或者reward达到了目标值），将目标区域扩大为蓝色区域，并减小初始车速；训练好后再逐个变到紫，黑，黄...区域，直至360度，同时半径也在增大，初始车速在减小。最终，一定半径内，从0车速出发，360度内，车都能碰到目标。
四、环境训练
我其实只是自己做着玩的，所以算法部分就直接用的unity自带的ppo算法训练了。由于动作是连续值，dqn类不适合这个任务，如果你喜欢，可以用其他rl算法来训练。我把环境封装了下（可视化的呦，可以看到自己训练好后的无人驾驶自行车），你可以从两种方式中任选一种来自己训练自行车：
4.1
unity自带的训练方式
该方式需要下载github中的BikeScene_train压缩包。先安装mlagents（unity的机器学习工具包），安装方式很简单，建立一个新的python3.6的虚拟环境，然后pip install mlagents就完了,或者你也可以看官方的安装教程。在该环境下，读取环境，获取状态和动作的逻辑都在nogym.ipynb里，你可以添加自己的算法来训练自行车。官方参考脚本 需要注意的是，在训练时，请保持ipynb中train_mode为True，表示处于训练模式，训练模式下游戏画面只有80*80像素，是为了加速训练而不是为了让人看；而训练好后，请设置train_mode为False，表示处于推理阶段，推理阶段的画面会自动为1280*720分辨率，并且时间也是正常速度，可以把玩自己的自行车。
4.2
gym环境
该方式同样需要安装mlagents（建立一个新的python3.6的虚拟环境，然后pip install mlagents就完了,或者你也可以看官方的安装教程。）。在gym环境下需要同时下载github中的BikeScene_train压缩包和BikeScene_inferer压缩包。该环境比较适合熟悉gym的童鞋，参考脚本为github中的gym.ipynb. 至于你想用openai的算法还是dopamine的算法还是自己写的算法，都可以，可以参考官方示例。在训练时加载BikeScene_train里的exe（80*80分辨率），训练好后，修改路径为BikeScene_inferer里的exe（1280*720分辨率），就可以看到训练好的自行车了。部分过程和结果如下：
视频连接：
https://www.bilibili.com/video/av57357339
最后，可以自己玩的自行车：
我还做了个可以玩的环境，就是github（地址见本段末尾）里的BikeScene_playable压缩包，解压后，里面的exe是可以双击运行的。按数字键0是我训练了500万步的AI自己控制的自行车（其实没训练好，有时会跌倒）；按数字键1是玩家自己控制自行车：w为蹬的力最大，A和D控制车头的左右，上下左右箭头控制中心（中间那个棍子）的移动；按数字键2是固定了车子的Z轴旋转之后，玩家控制自行车，控制按键同模式2. 因为其实人类是玩不转模式2的，所以我加了模式3ㄟ( ▔, ▔ )ㄏ 这估计是我做过的最辣鸡的游戏了(￣_￣|||) 对了，我忘加退出游戏的选项了，请点 × 退出?。
github地址：
https://github.com/xunyiljg/DRL_Auto-driving_bicycle
CSDN博客：
https://blog.csdn.net/qq_38258350
