下载客户端

不吃蘑菇，不捡金币，我用强化学习跑通29关马里奥，刷新最佳战绩

2020-08-01 20:28

来源：澎湃新闻·澎湃号·湃客

机器之心报道

编辑：张倩、蛋酱

看了用强化学习训练的马里奥，我才知道原来这个游戏的后几关长这样。

《超级马里奥兄弟》是任天堂公司开发并于 1985 年出品的著名横版过关游戏，最早在红白机上推出，有多款后续作品，迄今多个版本总销量已突破 5 亿套。

这款游戏承载了一代人的回忆，你还记不记得你玩到过第几关？

其实，除了我们这些玩家之外，强化学习研究者也对这款游戏情有独钟。

最近，有人用 PPO 强化学习算法训练了一个超级马里奥智能体，已经打通了 29 关（总共 32 关），相关代码也已开源。

PPO 算法的全称是 Proximal Policy Optimization（近端策略优化），是 OpenAI 在 2017 年发布的一种强化学习算法。该算法的实现和调参十分简单，在强化学习中的表现优于当时所有顶尖算法的水平，因此被 OpenAI 作为强化学习研究中的首选算法。

使用 PPO 训练的 OpenAI Five 是第一款在电竞游戏中击败人类世界冠军的 AI。2018 年 8 月，OpenAI Five 与 Ti8Dota2 世界冠军 OG 战队展开了一场巅峰对决，最终 OpenAI Five 以 2:0 的比分轻松战胜世界冠军 OG。

此前，作者曾经使用 A3C 算法训练过用于通关超级马里奥兄弟的智能体。尽管智能体可以又快又好地完成游戏，但整体水平是有限的。无论经过多少次微调和测试，使用 A3C 训练的智能体只能完成到第 9 关。同时作者也使用过 A2C 和 Rainbow 等算法进行训练，前者并未实现性能的明显提升，后者更适用于随机环境、游戏，比如乒乓球或太空侵略者。

还有三关没有过是怎么回事？作者解释说，4-4、7-4 和 8-4 关的地图都包含了一些谜题，智能体需要选择正确的路径才能继续前进。如果选错了路径，就得重新把走过的路再走一遍，陷入死循环。所以智能体没能通过这三关。

开源项目地址：https://github.com/uvipen/Super-mario-bros-PPO-pytorch

近端策略优化算法

策略梯度法（Policy gradient methods）是近年来使用深度神经网络进行控制的突破基础，不管是视频游戏、3D 移动还是围棋控制，都是基于策略梯度法。但是通过策略梯度法获得优秀的结果是十分困难的，因为它对步长大小的选择非常敏感。如果迭代步长太小，那么训练进展会非常慢，但如果迭代步长太大，那么信号将受到噪声的强烈干扰，因此我们会看到性能的急剧降低。同时这种策略梯度法有非常低的样本效率，它需要数百万（或数十亿）的时间步骤来学习一个简单的任务。

2017 年，Open AI 的研究者为强化学习提出了一种新型策略梯度法，它可以通过与环境的交互而在抽样数据中转换，还能使用随机梯度下降优化一个「surrogate」目标函数。标准策略梯度法为每一个数据样本执行一个梯度更新，因此研究者提出了一种新的目标函数，它可以在多个 epoch 中实现小批量（minibatch）更新。这种方法就是近端策略优化（PPO）算法。

该算法从置信域策略优化（TRPO）算法获得了许多启发，但它更加地易于实现、广泛和有更好的样本复杂度（经验性）。经过在一组基准任务上的测试，包括模拟机器人移动和 Atari 游戏，PPO 算法展示出了比其他在线策略梯度法更优秀的性能，该算法总体上在样本复杂度、简单性和实际时间（wall-time.）中有非常好的均衡。

近端策略优化可以让我们在复杂和具有挑战性的环境中训练 AI 策略，先看这个 demo 视频：

如上所示，其中智能体尝试抵达粉红色的目标点，因此它需要学习怎样走路、跑动和转向等。同时该智能体不仅需要学会怎样从小球的打击中保持平衡（利用自身的动量），在被撞倒后还需要学会如何从草地上站起来。

PPO 方法有两种主要的变体: PPO-Penalty 和 PPO-Clip。

PPO-Penalty 近似求解一个类似 TRPO 的被 KL - 散度约束的更新，但惩罚目标函数中的 KL - 散度，而不是使其成为优化问题的硬约束，并在训练过程中自动调整惩罚系数，从而适当地调整其大小。

PPO-Clip 在目标中没有 KL 散度项，也没有约束。取而代之的是在目标函数上进行专门裁剪 (clip)，以消除新策略远离旧策略的激励 (incentives)。

关于该算法的更多信息可以参考原论文。