机器人强化学习之使用 OpenAI Gym 教程与笔记

除了试图直接去建立一个可以模拟成人大脑的程序之外, 为什么不试图建立一个可以模拟小孩大脑的程序呢?如果它接 受适当的教育,就会获得成人的大脑。 — 阿兰·图灵

介绍

强化学习 (Reinforcement learning) 是机器学习的一个子领域用于制定决策和运动自由度控制。强化学习主要研究在复杂未知的环境中,智体(agent)实现某个目标。强化学习最引人入胜的两个特点是

  • 强化学习非常通用,可以用来解决需要作出一些列决策的所有问题:例如,训练机器人跑步和弹跳,制定商品价格和库存管理,玩 Atari 游戏和棋盘游戏等等。

  • 强化学习已经可以在许多复杂的环境中取得较好的实验结果:例如 Deep RL 的 Alpha Go等

Gym 是一个研究和开发强化学习相关算法的仿真平台。

  • 无需智体先验知识;
  • 兼容常见的数值运算库如 TensorFlow、Theano 等

Gym 的一个最小例子 CartPole-v0

1
2
3
4
5
6
import gym
env = gym.make('CartPole-v0')
env.reset()
for _ in range(1000):
env.render()
env.step(env.action_space.sample()) # take a random action

运行效果

至此,第一个 Hello world 就算正式地跑起来了!

观测(Observations)

在第一个小栗子中,使用了 env.step() 函数来对每一步进行仿真,在 Gym 中,env.step() 会返回 4 个参数:

  • 观测 Observation (Object):当前 step 执行后,环境的观测(类型为对象)。例如,从相机获取的像素点,机器人各个关节的角度或棋盘游戏当前的状态等;

  • 奖励 Reward (Float): 执行上一步动作(action)后,智体(agent)获得的奖励(浮点类型),不同的环境中奖励值变化范围也不相同,但是强化学习的目标就是使得总奖励值最大;

  • 完成 Done (Boolen): 表示是否需要将环境重置 env.reset。大多数情况下,当 DoneTrue 时,就表明当前回合(episode)或者试验(tial)结束。例如当机器人摔倒或者掉出台面,就应当终止当前回合进行重置(reset);

  • 信息 Info (Dict): 针对调试过程的诊断信息。在标准的智体仿真评估当中不会使用到这个 info,具体用到的时候再说。

总结来说,这就是一个强化学习的基本流程,在每个时间点上,智体执行 action,环境返回上一次 action 的观测和奖励,用图表示为

智体与环境交互
智体与环境交互

在 Gym 仿真中,每一次回合开始,需要先执行 reset() 函数,返回初始观测信息,然后根据标志位 done 的状态,来决定是否进行下一次回合。代码表示为

1
2
3
4
5
6
7
8
9
10
11
12
import gym
env = gym.make('CartPole-v0')
for i_episode in range(20):
observation = env.reset()
for t in range(100):
env.render()
print(observation)
action = env.action_space.sample()
observation, reward, done, info = env.step(action)
if done:
print("Episode finished after {} timesteps".format(t+1))
break

仿真截图如下

每次 action 前,将上一次 observation 打印,可以得到打印日志如下

1
2
3
4
5
6
7
8
9
10
11
[ 0.0349103   1.14771978 -0.03934506 -1.64631971]
[ 0.0578647 1.34327926 -0.07227145 -1.95099638]
[ 0.08473028 1.14899616 -0.11129138 -1.68156178]
[ 0.1077102 0.95532555 -0.14492261 -1.42550525]
[ 0.12681672 1.15191062 -0.17343272 -1.75974995]
[ 0.14985493 0.95912509 -0.20862772 -1.52564382]
Episode finished after 16 timesteps
[ 0.03628829 -0.03189712 -0.01997778 0.02529094]
[ 0.03565035 -0.22672696 -0.01947196 0.31160431]
[ 0.03111581 -0.42156616 -0.01323988 0.59808332]
[ 0.02268449 -0.61650037 -0.00127821 0.8865666 ]

空间(Spaces)

在前面的两个小栗子中,每次执行的动作(action)都是从环境动作空间中随机进行选取的,但是这些动作 (action) 是什么?在 Gym 的仿真环境中,有运动空间 action_space 和观测空间 observation_space 两个指标,程序中被定义为 Space 类型,用于描述有效的运动和观测的格式和范围。下面是一个代码示例

1
2
3
4
5
6
import gym
env = gym.make('CartPole-v0')
print(env.action_space)
#> Discrete(2)
print(env.observation_space)
#> Box(4,)
WARN: gym.spaces.Box autodetected dtype as <class 'numpy.float32'>. Please provide explicit dtype.
Discrete(2)
Box(4,)

从程序运行结果来看

  • action_space 是一个离散 Discrete 类型,从 discrete.py 源码可知,范围是一个 {0,1,...,n-1} 长度为 n 的非负整数集合,在 CartPole-v0 例子中,动作空间表示为 {0,1}

  • observation_space 是一个 Box 类型,从 box.py 源码可知,表示一个 n 维的盒子,所以在上一节打印出来的 observation 是一个长度为 4 的数组。数组中的每个元素都具有上下界。

1
2
print(env.observation_space.high)
print(env.observation_space.low)
[4.8000002e+00 3.4028235e+38 4.1887903e-01 3.4028235e+38]
[-4.8000002e+00 -3.4028235e+38 -4.1887903e-01 -3.4028235e+38]

利用运动空间和观测空间的定义和范围,可以将代码写得更加通用。在许多仿真环境中,BoxDiscrete 是最常见的空间描述,在智体每次执行动作时,都属于这些空间范围内,代码示例为

1
2
3
4
5
from gym import spaces
space = spaces.Discrete(8) # Set with 8 elements {0, 1, 2, ..., 7}
x = space.sample()
print(space.contains(x))
print(space.n == 8)
True
True

CartPole-v0 栗子中,运动只能选择左和右,分别用 {0,1} 表示

Gym 中可用的环境

Gym 中从简单到复杂,包含了许多经典的仿真环境和各种数据,其中包括

  • 经典控制和文字游戏:经典的强化学习示例,方便入门;

  • 算法:从例子中学习强化学习的相关算法,在 Gym 的仿真算法中,由易到难方便新手入坑;

  • 雅达利游戏:利用强化学习来玩雅达利的游戏。Gym 中集成了对强化学习有着重要影响的 Arcade Learning Environment,并且方便用户安装;

  • 2D 和 3D 的机器人:这个是我一直很感兴趣的一部分,在 Gym 中控制机器人进行仿真。需要利用第三方的物理引擎如 MuJoCo

注册表

Gym 是一个包含各种各样强化学习仿真环境的大集合,并且封装成通用的接口暴露给用户,查看所有环境的代码如下:

1
2
from gym import envs
print(envs.registry.all())
1
dict_values([EnvSpec(Copy-v0), EnvSpec(RepeatCopy-v0), EnvSpec(ReversedAddition-v0), EnvSpec(ReversedAddition3-v0), EnvSpec(DuplicatedInput-v0), EnvSpec(Reverse-v0), EnvSpec(CartPole-v0), EnvSpec(CartPole-v1), EnvSpec(MountainCar-v0), EnvSpec(MountainCarContinuous-v0), EnvSpec(Pendulum-v0), EnvSpec(Acrobot-v1), EnvSpec(LunarLander-v2), EnvSpec(LunarLanderContinuous-v2), EnvSpec(BipedalWalker-v2),...

Gym 支持将用户制作的环境写入到注册表中,需要执行 gym.make() 和在启动时注册 register,例如

1
2
3
4
5
6
register(
id='CartPole-v0',
entry_point='gym.envs.classic_control:CartPoleEnv',
max_episode_steps=200,
reward_threshold=195.0,
)

参考链接

结语

emmmm … 第一篇强化学习入坑笔记写完,大多是从官方文档看过来的加上了一点点自己的理解,建议文档这东西还是直接看官方的吧,原汁原味

关于作者