陳明陽 劉博 茆意風

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練非對稱情況下的策略，研究對比和分析，認為確實可以找到一種通用的自我強化學習方法。

關鍵詞：ICRA RoboMaster比賽;強化學習;DQN;Actor-critic算法

中圖分類號： TP181 ? ? ? ? ? ? ?文獻標識碼：A

1 背景

強化學習（Reinforcement Learning，RL）是智能體（Agent）以“試錯”的方式進行學習，通過與環(huán)境進行交互獲得的獎賞指導行為，目標是使智能體獲得最大的獎賞，它被引入機器學習使其更接近于最初的目標——人工智能，是人工神經(jīng)網(wǎng)絡研究的概念，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）訓練研究強化學習的理論問題，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器人定位技術、物體抓取技術、目標識別技術，以及這些技術構成系統(tǒng)的整體穩(wěn)定性等。通過以ICRA比賽為載體，建立研究強化學習的理論模型，利用研究訓練和優(yōu)化機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。為了使計算機更加智能化，采用訓練AlphaGo的方法，即使用兩個代理機器人互相戰(zhàn)斗，通過控制運動軌跡和動作，更新優(yōu)化策略，實現(xiàn)機器人動作升級。首先設置一個超級敵人并訓練機器人去擊敗它，然后也升級敵人，重新訓練機器人去戰(zhàn)斗。通過這種不斷反復改進和提升的方法，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構的時域學習，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。

采用一個通用的強化學習算法，通過自我發(fā)揮和學習，不斷優(yōu)化算法，即研究在AlphaGo中應用的策略和AlphaZero的變化。由于AlphaZero不會增加訓練數(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練非對稱情況下的策略，找到一種通用的自我游戲強化學習方法。

2 虛擬機器人環(huán)境——PyGame

2.1 設置虛擬機器人環(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的輸入，應用編程接口和預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，兩個機器人的出場地位于左上角和右下角，補充場地位于黃色十字區(qū)域。機器人在補給區(qū)被修復，當它們站在補給區(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，障礙物和補給區(qū)域與原來的位置相同。為了增加決策的復雜性，增設彈藥重裝區(qū)，機器人可以在此區(qū)域進行重新裝彈，避免子彈耗盡。

獎勵規(guī)則設置如下：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獎勵，而生存時間將以對數(shù)形式加入獎勵。

強化學習就是智能系統(tǒng)從環(huán)境到行為映射的學習，使獎勵信號（強化信號）函數(shù)值最大，由于外部給出的信息很少，強化學習系統(tǒng)必須依靠自身的經(jīng)歷進行自我學習。通過這種學習獲取知識，改進行動方案以適應環(huán)境。本研究運用AlphaZero強化學習的方式，不斷完善機器人獎勵機制。

2.2 優(yōu)化Q學習的算法

Q-learning是強化學習中的一個決策算法，是讓計算機實現(xiàn)從一開始完全隨機地進行操作，通過不斷地嘗試，從錯誤中學習，最后找到規(guī)律，學會了達到目的的方法。計算機在不斷的嘗試中更新自己的行為，從而一步步學習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。強化學習的目標就是獲得最多的累計獎勵。

計算機就是Agent，它試圖通過采取行動來操縱環(huán)境，并且從一個狀態(tài)轉變到另一個狀態(tài)，當它完成任務時給高分（獎勵），但是當它沒完成任務時，給低分（無獎勵）。這也是強化學習的核心思想，所以強化學習具有分數(shù)導向性。

我們實現(xiàn)的深度Q學習是基于PyTorch的卷積神經(jīng)網(wǎng)絡。網(wǎng)絡的輸入是模型訓練過程中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)絡為三層卷積神經(jīng)網(wǎng)絡，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）

本模型的目標是利用神經(jīng)網(wǎng)絡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模型設計

Actor（機器人）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)絡來近似這個函數(shù)，剩下的任務就是如何訓練神經(jīng)網(wǎng)絡，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)絡來近似。

本研究實現(xiàn)Actor-critic模型設定在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器人的狀態(tài)，包括機器人的位置、速度、運行狀況和子彈數(shù)量等。Critic模型采用價值函數(shù)進行估計，其中，選擇Q值作為估計的目標值。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)絡模擬。

2.4 多人戰(zhàn)斗模型設計

上述模型設計是在單人環(huán)境中實現(xiàn)，通過計算機自動控制敵人，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，試圖找出讓機器人從零開始學習規(guī)則的策略。

3 仿真結果

3.1 DQN模型結果

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。DQN中關鍵點是引用值函數(shù)近似和損失函數(shù)，強化學習是一個反復迭代的過程，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)。

異步策略學習（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)間的關聯(lián)。

本試驗通過采用DQN模型仿真結果對比，DQN的訓練效果明顯優(yōu)于Actor-critic的訓練效果，并且卷積神經(jīng)網(wǎng)絡（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結果

由于選擇有限維數(shù)的狀態(tài)元組，模型只能感知機器人的當前狀態(tài)，無法告訴模型上電區(qū)域和障礙物的位置。此外，這種方法的訓練難度大于前一種方法，這意味著訓練時間較短，可能會導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。這是因為訓練時間有限，導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果。

4 結語

通過研究ICRA比賽為載體，進一步應用和驗證強化學習算法，實現(xiàn)驗證和優(yōu)化Q學習基礎理論研究為目的。選擇ICRA比賽更新強化學習策略，一是由于ICRA比賽比較直觀和深受歡迎，二是機器人比賽是多項綜合技術的融合，是對強化學習基礎理論的考驗。與無模型的深度強化學習算法相比，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的設備完善本模型，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，可以通過調整該模型的神經(jīng)網(wǎng)絡和學習策略來實施進一步優(yōu)化。同時，隨著機器人在環(huán)境中收集樣本的增加，將其與無模型的強化學習方法（Model-free RL）結合，將能在動態(tài)系統(tǒng)環(huán)境下實現(xiàn)更好的控制效果。

（責任編輯：武多多）

參考文獻：

[1]柯良軍，王小強.強化學習[M].北京：清華大學出版社，2019.

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

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

[4]田寶玉，楊潔，賀志強，等.信息論基礎[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.