24分钟让AI跑起飞车类游戏

摘要：在飞车类游戏中，开始状态和结束状态的标志如图所示。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。图训练过程中激励的趋势图总结本文介绍了如何使用在分钟内让玩飞车类游戏。

作者：WeTest小编
商业转载请联系腾讯WeTest获得授权，非商业转载请注明出处。
原文链接：https://wetest.qq.com/lab/view/440.html

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

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 optimization[C]//International Conference on Machine Learning. 2015: 1889-1897.

【2】Heess N, Sriram S, Lemmon J, et al. Emergence of locomotion behaviours in rich environments[J]. arXiv preprint arXiv:1707.02286, 2017.

【3】Schulman J, Wolski F, Dhariwal P, et al. Proximal policy optimization algorithms[J]. arXiv preprint arXiv:1707.06347, 2017.

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。

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。

图2 游戏流程

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。

图3 图像各个区域示意图

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。

图4 网络结构示意图

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。

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。

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。

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。

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。

Ubuntu 14.04 + TensorFlow 1.2 + Cuda 7.0

我们使用的分布式部署方式如图6所示。

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；

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

视频链接：https://v.qq.com/x/page/q1356...

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 180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。

图7 AI训练过程中激励的趋势图

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 optimization[C]//International Conference on Machine Learning. 2015: 1889-1897.

【2】Heess N, Sriram S, Lemmon J, et al. Emergence of locomotion behaviours in rich environments[J]. arXiv preprint arXiv:1707.02286, 2017.

【3】Schulman J, Wolski F, Dhariwal P, et al. Proximal policy optimization algorithms[J]. arXiv preprint arXiv:1707.06347, 2017.

【4】https://morvanzhou.github.io/...

_
**“深度兼容测试”现已对外，腾讯专家为您定制自动化测试脚本，覆盖应用核心场景，对上百款主流机型进行适配兼容测试，提供详细测试报告，并且首度使用AI能力助力测试。
点击http://wetest.qq.com/cloud/deepcompatibilitytesting#/ 即可体验。**

如果使用当中有任何疑问，欢迎联系腾讯WeTest企业QQ：2852350015