[[434349]]

本文經(jīng)AI新媒體量子位（公眾號(hào)ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。

 “只見4號(hào)球員在隊(duì)友的配合下迅速攻破后防，單刀直入，一腳射門，球，進(jìn)了！”

觀眾朋友們大家好，您現(xiàn)在看到的是谷歌AI足球比賽的現(xiàn)場，場上身著黃色球衣的是來自清華大學(xué)的AI球員。

這屆清華AI可不一般，他們?cè)谄D苦訓(xùn)練之下，不僅有個(gè)人能力突出的明星球員，也有世界上最強(qiáng)最緊密的團(tuán)隊(duì)合作。

在多項(xiàng)國際比賽中所向披靡，奪得冠軍。

“Oh，現(xiàn)在7號(hào)接過隊(duì)友傳來的助攻，臨門一腳，球又進(jìn)了！”

言歸正傳，以上其實(shí)是清華大學(xué)在足球游戲中打造的一個(gè)強(qiáng)大的多智能體強(qiáng)化學(xué)習(xí)AI——TiKick。

在多項(xiàng)國際賽事中奪得冠軍則是指，TiKick在單智能體控制和多智能體控制上均取得了SOTA性能，并且還是首次實(shí)現(xiàn)同時(shí)操控十個(gè)球員完成整個(gè)足球游戲。

這支強(qiáng)大的AI團(tuán)隊(duì)是如何訓(xùn)練出來的呢？

從單智能體策略中進(jìn)化出的多智能體足球AI

在此之前，先簡單了解一下訓(xùn)練所用的強(qiáng)化學(xué)習(xí)環(huán)境，也就是這個(gè)足球游戲：Google Research Football（GRF）。

它由谷歌于2019年發(fā)布，提供基于物理的3D足球模擬，支持所有主要的比賽規(guī)則，由智能體操控其中的一名或多名足球運(yùn)動(dòng)員與另一方內(nèi)置AI對(duì)戰(zhàn)。

在由三千步組成的上下半場比賽中，智能體需要不斷決策出移動(dòng)、傳球、射門、盤球、鏟球、沖刺等19個(gè)動(dòng)作完成進(jìn)球。

在這樣的足球游戲環(huán)境中進(jìn)行強(qiáng)化學(xué)習(xí)難度有二：

一是因?yàn)槎嘀悄荏w環(huán)境，也就是一共10名球員（不含守門員）可供操作，算法需要在如此巨大的動(dòng)作空間中搜索出合適的動(dòng)作組合；

二是大家都知道足球比賽中一場進(jìn)球數(shù)極少，算法因此很難頻繁獲得來自環(huán)境的獎(jiǎng)勵(lì)，訓(xùn)練難度也就大幅增大。

而清華大學(xué)此次的目標(biāo)是控制多名球員完成比賽。

他們先從Kaggle在2020年舉辦的GRF世界錦標(biāo)賽中，觀摩了最終奪得冠軍的WeKick團(tuán)隊(duì)數(shù)萬場的自我對(duì)弈數(shù)據(jù)，使用離線強(qiáng)化學(xué)習(xí)方法從中學(xué)習(xí)。

這場錦標(biāo)賽只需控制場中的一名球員進(jìn)行對(duì)戰(zhàn)。

如何從單智能體數(shù)據(jù)集學(xué)習(xí)出多智能體策略呢？

直接學(xué)習(xí)WeKick中的單智能體操作并復(fù)制到每個(gè)球員身上顯然不可取，因?yàn)檫@樣大家都只會(huì)自顧自地去搶球往球門沖，根本就不會(huì)有團(tuán)隊(duì)配合。

又沒有后場非活躍球員動(dòng)作的數(shù)據(jù)，那怎么辦？

他們?cè)趧?dòng)作集內(nèi)添加了第二十個(gè)動(dòng)作：build-in，并賦予所有非活躍球員此標(biāo)簽(比賽中若選用build-in作為球員的動(dòng)作，球員會(huì)根據(jù)內(nèi)置規(guī)則采取行動(dòng))。

接著采用多智能體行為克隆(MABC)算法訓(xùn)練模型。

對(duì)于離線強(qiáng)化學(xué)習(xí)來說，最核心的思想是找出數(shù)據(jù)中質(zhì)量較高的動(dòng)作，并加強(qiáng)對(duì)這些動(dòng)作的學(xué)習(xí)。

所以需在計(jì)算目標(biāo)函數(shù)時(shí)賦予每個(gè)標(biāo)簽不同的權(quán)重，防止球員傾向于只采用某個(gè)動(dòng)作作為行動(dòng)。

這里的權(quán)重分配有兩點(diǎn)考慮：

一是從數(shù)據(jù)集中挑選出進(jìn)球數(shù)較多的比賽、只利用這些高質(zhì)量的數(shù)據(jù)來訓(xùn)練，由于獎(jiǎng)勵(lì)較為密集，模型能夠加速收斂并提高性能。

二是訓(xùn)練出Critic網(wǎng)絡(luò)給所有動(dòng)作打分，并利用其結(jié)果計(jì)算出優(yōu)勢(shì)函數(shù)，然后給予優(yōu)勢(shì)函數(shù)值大的動(dòng)作較高的權(quán)重，反之給予較低的權(quán)重。

此處為了避免梯度爆炸與消失，對(duì)優(yōu)勢(shì)函數(shù)做出了適當(dāng)?shù)牟眉簟?/p>

最終的分布式訓(xùn)練架構(gòu)由一個(gè)Learner與多個(gè)Worker構(gòu)成。

其中Learner負(fù)責(zé)學(xué)習(xí)并更新策略，而Worker負(fù)責(zé)搜集數(shù)據(jù)，它們通過gRPC進(jìn)行數(shù)據(jù)、網(wǎng)絡(luò)參數(shù)的交換與共享。

Worker可以利用多進(jìn)程的方式同時(shí)與多個(gè)游戲環(huán)境進(jìn)行交互，或是通過I/O同步讀取離線數(shù)據(jù)。

這種并行化的執(zhí)行方式，也就大幅提升了數(shù)據(jù)搜集的速度，從而提升訓(xùn)練速度 （5小時(shí)就能達(dá)到別的分布式訓(xùn)練算法兩天才能達(dá)到的同等性能）。

另外，通過模塊化設(shè)計(jì)，該框架還能在不修改任何代碼的情況下，一鍵切換單節(jié)點(diǎn)調(diào)試模式和多節(jié)點(diǎn)分布式訓(xùn)練模式，大大降低算法實(shí)現(xiàn)和訓(xùn)練的難度。

94.4%的獲勝率和場均3分的凈勝分

在多智能體（GRF）游戲上的不同算法比較結(jié)果中，TiKick的最終算法（+AW）以最高的獲勝率（94.4%）和最大的目標(biāo)差異達(dá)到了最佳性能。

TrueSkill（機(jī)器學(xué)習(xí)中競技類游戲的排名系統(tǒng)）得分也是第一。

TiKick與內(nèi)置AI的對(duì)戰(zhàn)分別達(dá)到了94.4%的勝率和場均3分的凈勝分。

將TiKick與GRF學(xué)術(shù)場景中的基線算法進(jìn)行橫向比較后發(fā)現(xiàn)，TiKick在所有場景下都達(dá)到了最佳性能和最低的樣本復(fù)雜度，且差距明顯。

與其中的基線MAPPO相比還發(fā)現(xiàn)，在五個(gè)場景當(dāng)中的四個(gè)場景都只需100萬步就能達(dá)到最高分?jǐn)?shù)。

作者介紹

一作黃世宇，清華大學(xué)博士生，研究方向?yàn)橛?jì)算機(jī)視覺、強(qiáng)化學(xué)習(xí)和深度學(xué)習(xí)的交叉領(lǐng)域。曾在華為諾亞方舟實(shí)驗(yàn)室、騰訊AI、卡內(nèi)基梅隆大學(xué)和商湯工作。

共同一作也是來自清華大學(xué)的陳文澤。

此外，作者還包括來自國防科技大學(xué)的Longfei Zhang、騰訊AI實(shí)驗(yàn)室的Li Ziyang 、Zhu Fengming 、Ye Deheng、以及清華大學(xué)的Chen Ting。

通訊作者為清華大學(xué)的朱軍教授。

論文地址：
https://arxiv.org/abs/2110.04507

項(xiàng)目地址：
https://github.com/TARTRL/TiKick

參考鏈接：
https://zhuanlan.zhihu.com/p/421572915