机器学习工程师 - Udacity 强化学习 Part Six

项目：强化学习走迷宫

我们将会应用 Q-learning 算法完成一个经典的 Markov 决策问题 -- 走迷宫！

请查看项目详情 https://github.com/udacity/MLND_CN_P5_Reinforcement_Learning

 

Section 0 问题描述与完成项目流程

1. 问题描述

在该项目中，你将使用强化学习算法，实现一个自动走迷宫机器人。

  1. 如上图所示，智能机器人显示在右上角。在我们的迷宫中，有陷阱（红色炸弹）及终点（蓝色的目标点）两种情景。机器人要尽量避开陷阱、尽快到达目的地。
  2. 小车可执行的动作包括：向上走 u、向右走 r、向下走 d、向左走 l。
  3. 执行不同的动作后，根据不同的情况会获得不同的奖励，具体而言，有以下几种情况。我们需要通过修改 robot.py 中的代码，来实现一个 Q Learning 机器人，实现上述的目标。
    • 撞到墙壁：-10
    • 走到终点：50
    • 走到陷阱：-30
    • 其余情况：-0.1
  4. 我们需要通过修改 robot.py 中的代码，来实现一个 Q Learning 机器人，实现上述的目标。

2. 完成项目流程

  1. 配置环境，使用 envirnment.yml 文件配置名为 robot-env 的 conda 环境，具体而言，你只需转到当前的目录，在命令行/终端中运行如下代码，稍作等待即可。

    conda env create -f envirnment.yml

    安装完毕后，在命令行/终端中运行 source activate robot-env（Mac/Linux 系统）或 activate robot-env（Windows 系统）激活该环境。

  2. 阅读 main.ipynb 中的指导完成项目，并根据指导修改对应的代码，生成、观察结果。

  3. 导出代码与报告，上传文件，提交审阅并优化。

Section 1 算法理解

1. 1 强化学习总览

强化学习作为机器学习算法的一种，其模式也是让智能体在“训练”中学到“经验”，以实现给定的任务。但不同于监督学习与非监督学习，在强化学习的框架中，我们更侧重通过智能体与环境的交互来学习。通常在监督学习和非监督学习任务中，智能体往往需要通过给定的训练集，辅之以既定的训练目标（如最小化损失函数），通过给定的学习算法来实现这一目标。然而在强化学习中，智能体则是通过其与环境交互得到的奖励进行学习。这个环境可以是虚拟的（如虚拟的迷宫），也可以是真实的（自动驾驶汽车在真实道路上收集数据）。

在强化学习中有五个核心组成部分，它们分别是：环境（Environment）、智能体（Agent）、状态（State）、动作（Action）和奖励（Reward）。在某一时间节点 tt：

  • 智能体在从环境中感知其所处的状态 st
  • 智能体根据某些准则选择动作 at
  • 环境根据智能体选择的动作，向智能体反馈奖励 rt+1

通过合理的学习算法，智能体将在这样的问题设置下，成功学到一个在状态 st 选择动作 at 的策略 π(st)=at。

问题 1：请参照如上的定义，描述出 “机器人走迷宫这个问题” 中强化学习五个组成部分对应的实际对象：

  • 环境 : 迷宫，包括墙壁、陷阱、终点
  • 状态 : 机器人的位置
  • 动作 : 向上走、向下走、向左走、向右走
  • 奖励 : 撞到墙壁：-10；走到终点：50；走到陷阱：-30；其余情况：-0.1

1.2 计算 Q 值

在我们的项目中，我们要实现基于 Q-Learning 的强化学习算法。Q-Learning 是一个值迭代（Value Iteration）算法。与策略迭代（Policy Iteration）算法不同，值迭代算法会计算每个”状态“或是”状态-动作“的值（Value）或是效用（Utility），然后在执行动作的时候，会设法最大化这个值。因此，对每个状态值的准确估计，是我们值迭代算法的核心。通常我们会考虑最大化动作的长期奖励，即不仅考虑当前动作带来的奖励，还会考虑动作长远的奖励。

在 Q-Learning 算法中，我们把这个长期奖励记为 Q 值，我们会考虑每个 ”状态-动作“ 的 Q 值，具体而言，它的计算公式为：

 q(st,a)=Rt+1+γ×maxaq(a,st+1)

也就是对于当前的“状态-动作” (st,a)，我们考虑执行动作 a 后环境给我们的奖励 Rt+1，以及执行动作 a 到达 st+1后，执行任意动作能够获得的最大的Q值 maxaq(a,st+1)，γ 为折扣因子。

不过一般地，我们使用更为保守地更新 Q 表的方法，即引入松弛变量 alpha，按如下的公式进行更新，使得 Q 表的迭代变化更为平缓。

q(st,a)=(1−α)×q(st,a)+α×(Rt+1+γ×maxaq(a,st+1))

 

问题 2：根据已知条件求 q(st,a)，在如下模板代码中的空格填入对应的数字即可。

已知：如上图，机器人位于 s1，行动为 u，行动获得的奖励与题目的默认设置相同。在 s2 中执行各动作的 Q 值为：u: -24，r: -13，d: -0.29、l: +40，γ 取0.9。

q(st,a)=Rt+1+γ×maxaq(a,st+1)=(−0.1)+(0.9)∗(40)=(35.9)

1.3 如何选择动作

在强化学习中，「探索-利用」问题是非常重要的问题。具体来说，根据上面的定义，我们会尽可能地让机器人在每次选择最优的决策，来最大化长期奖励。但是这样做有如下的弊端：

  1. 在初步的学习中，我们的 Q 值会不准确，如果在这个时候都按照 Q 值来选择，那么会造成错误。
  2. 学习一段时间后，机器人的路线会相对固定，则机器人无法对环境进行有效的探索。

因此我们需要一种办法，来解决如上的问题，增加机器人的探索。由此我们考虑使用 epsilon-greedy 算法，即在小车选择动作的时候，以一部分的概率随机选择动作，以一部分的概率按照最优的 Q 值选择动作。同时，这个选择随机动作的概率应当随着训练的过程逐步减小。

问题 3：在如下的代码块中，实现 epsilon-greedy 算法的逻辑，并运行测试代码。

import random

actions = ['u','r','d','l']
qline = {'u':1.2, 'r':-2.1, 'd':-24.5, 'l':27}
epsilon = 0.3 # 以0.3的概率进行随机选择

def choose_action(epsilon):
    
    action = None
    if random.uniform(0,1) > epsilon: # 以某一概率
        action = random.choice(actions) # 实现对动作的随机选择
    else: 
        action = max(qline, key=qline.get) # 否则选择具有最大 Q 值的动作
    return action
choose_action(epsilon)

Section 2 代码实现

2.1. Maze 类理解

我们首先引入了迷宫类 Maze，这是一个非常强大的函数，它能够根据你的要求随机创建一个迷宫，或者根据指定的文件，读入一个迷宫地图信息。

  1. 使用 Maze("file_name") 根据指定文件创建迷宫，或者使用 Maze(maze_size=(height,width)) 来随机生成一个迷宫。
  2. 使用 trap_number 参数，在创建迷宫的时候，设定迷宫中陷阱的数量。
  3. 直接键入迷宫变量的名字按回车，展示迷宫图像（如 g=Maze("xx.txt")，那么直接输入 g 即可。
  4. 建议生成的迷宫尺寸，长在 6~12 之间，宽在 10～12 之间。

问题 4：在如下的代码块中，创建你的迷宫并展示。

from Maze import Maze
%matplotlib inline
%config InlineBackend.figure_format = 'retina'

## todo: 创建迷宫并展示

g = Maze(maze_size=(12,12), trap_number=5)
g
Maze of size (12, 12)

你可能已经注意到，在迷宫中我们已经默认放置了一个机器人。实际上，我们为迷宫配置了相应的 API，来帮助机器人的移动与感知。其中你随后会使用的两个 API 为 maze.sense_robot() 及 maze.move_robot()。

  1. maze.sense_robot() 为一个无参数的函数，输出机器人在迷宫中目前的位置。
  2. maze.move_robot(direction) 对输入的移动方向，移动机器人，并返回对应动作的奖励值。

问题 5：随机移动机器人，并记录下获得的奖励，展示出机器人最后的位置。

rewards = []

## 循环、随机移动机器人10次，记录下奖励
for i in range(10):
    rewards.append(g.move_robot(random.choice(actions)))

## 输出机器人最后的位置
print(g.sense_robot())

## 打印迷宫，观察机器人位置
g
(3, 11)
 
Maze of size (12, 12)

2.2. Robot 类实现

Robot 类是我们需要重点实现的部分。在这个类中，我们需要实现诸多功能，以使得我们成功实现一个强化学习智能体。总体来说，之前我们是人为地在环境中移动了机器人，但是现在通过实现 Robot 这个类，机器人将会自己移动。通过实现学习函数，Robot 类将会学习到如何选择最优的动作，并且更新强化学习中对应的参数。

首先 Robot 有多个输入，其中 alpha=0.5, gamma=0.9, epsilon0=0.5 表征强化学习相关的各个参数的默认值，这些在之前你已经了解到，Maze 应为机器人所在迷宫对象。

随后观察 Robot.update 函数，它指明了在每次执行动作时，Robot 需要执行的程序。按照这些程序，各个函数的功能也就明了了。

最后你需要实现 Robot.py 代码中的8段代码，他们都在代码中以 #TODO 进行标注，你能轻松地找到他们。

问题 6：实现 Robot.py 中的8段代码，并运行如下代码检查效果（记得将 maze 变量修改为你创建迷宫的变量名）。

from Robot import Robot
robot = Robot(g) # 记得将 maze 变量修改为你创建迷宫的变量名
robot.set_status(learning=True,testing=False)
print(robot.update())

g
('u', -0.1)
Maze of size (12, 12)

2.3 用 Runner 类训练 Robot

在实现了上述内容之后，我们就可以开始对我们 Robot 进行训练并调参了。我们为你准备了又一个非常棒的类 Runner，来实现整个训练过程及可视化。使用如下的代码，你可以成功对机器人进行训练。并且你会在当前文件夹中生成一个名为 filename 的视频，记录了整个训练的过程。通过观察该视频，你能够发现训练过程中的问题，并且优化你的代码及参数。

问题 7：尝试利用下列代码训练机器人，并进行调参。可选的参数包括：

  • 训练参数
    • 训练次数 epoch
  • 机器人参数：
    • epsilon0 (epsilon 初值)
    • epsilon衰减（可以是线性、指数衰减，可以调整衰减的速度），你需要在 Robot.py 中调整
    • alpha
    • gamma
  • 迷宫参数:
    • 迷宫大小
    • 迷宫中陷阱的数量
## 可选的参数：
epoch = 20

epsilon0 = 0.3
alpha = 0.5
gamma = 0.9

maze_size = (6,6)
trap_number = 1
from Runner import Runner

g = Maze(maze_size=maze_size,trap_number=trap_number)
r = Robot(g,alpha=alpha, epsilon0=epsilon0, gamma=gamma)
r.set_status(learning=True)

runner = Runner(r, g)
runner.run_training(epoch, display_direction=True)
# runner.generate_movie(filename = "final1.mp4") # 你可以注释该行代码，加快运行速度，不过你就无法观察到视频了。

使用 runner.plot_results() 函数，能够打印机器人在训练过程中的一些参数信息。

  • Success Times 代表机器人在训练过程中成功的累计次数，这应当是一个累积递增的图像。
  • Accumulated Rewards 代表机器人在每次训练 epoch 中，获得的累积奖励的值，这应当是一个逐步递增的图像。
  • Running Times per Epoch 代表在每次训练 epoch 中，小车训练的次数（到达终点就会停止该 epoch 转入下次训练），这应当是一个逐步递减的图像。

问题 8：使用 runner.plot_results() 输出训练结果，根据该结果对你的机器人进行分析。

  • 指出你选用的参数如何，选用参数的原因。
  • 建议你比较不同参数下机器人的训练的情况。
  • 训练的结果是否满意，有何改进的计划。
runner.plot_results()
runner.plot_results()
runner.plot_results()
 

选用的参数： epoch=20，训练次数如果太少，有可能机器人永远无法成功走到终点； epsilon0=0.5，较大的初始值使得机器人在刚开始的时候尝试更多的可能性； alpha=0.5，权衡上一次学到结果和这一次学习结果，这里取它们的均值； gamma=0.9，充分地对外来奖励进行考虑，如果取值较小，机器人可能无法学习到一个到达终点的策略； maze_size=(6,6)，迷宫太大，需要的训练次数需要增加，机器人每次得到的奖励将减少； trap_number=1，陷阱过多会减少机器人得到的奖励。 对训练的结果比较满意； 改进计划： 增加epoch的值； 减小epsilon0的值；

 
Robot.py
import random

class Robot(object):

    def __init__(self, maze, alpha=0.5, gamma=0.9, epsilon0=0.5):

        self.maze = maze
        self.valid_actions = self.maze.valid_actions
        self.state = None
        self.action = None

        # Set Parameters of the Learning Robot
        self.alpha = alpha
        self.gamma = gamma

        self.epsilon0 = epsilon0
        self.epsilon = epsilon0
        self.t = 0

        self.Qtable = {}
        self.reset()

    def reset(self):
        """
        Reset the robot
        """
        self.state = self.sense_state()
        self.create_Qtable_line(self.state)

    def set_status(self, learning=False, testing=False):
        """
        Determine whether the robot is learning its q table, or
        exceuting the testing procedure.
        """
        self.learning = learning
        self.testing = testing

    def update_parameter(self):
        """
        Some of the paramters of the q learning robot can be altered,
        update these parameters when necessary.
        """
        if self.testing:
            # TODO 1. No random choice when testing
            self.epsilon = 0
        else:
            # TODO 2. Update parameters when learning
            self.epsilon *= 0.9 

        return self.epsilon

    def sense_state(self):
        """
        Get the current state of the robot. In this
        """

        # TODO 3. Return robot's current state
        return self.maze.sense_robot()

    def create_Qtable_line(self, state):
        """
        Create the qtable with the current state
        """
        # TODO 4. Create qtable with current state
        # Our qtable should be a two level dict,
        # Qtable[state] ={'u':xx, 'd':xx, ...}
        # If Qtable[state] already exits, then do
        # not change it.
        if state in self.Qtable:
            pass
        else:
            self.Qtable[state] = {'u':0.0, 'r':0.0, 'd':0.0, 'l':0.0}

    def choose_action(self):
        """
        Return an action according to given rules
        """
        def is_random_exploration():

            # TODO 5. Return whether do random choice
            # hint: generate a random number, and compare
            # it with epsilon
            return random.uniform(0, 1) < self.epsilon

        if self.learning:
            if is_random_exploration():
                # TODO 6. Return random choose aciton
                return random.choice(self.valid_actions)
            else:
                # TODO 7. Return action with highest q value
                return max(self.Qtable[self.state], key=self.Qtable[self.state].get)
        elif self.testing:
            # TODO 7. choose action with highest q value
            return max(self.Qtable[self.state], key=self.Qtable[self.state].get)
        else:
            # TODO 6. Return random choose aciton
            return random.choice(self.valid_actions)

    def update_Qtable(self, r, action, next_state):
        """
        Update the qtable according to the given rule.
        """
        if self.learning:
            # TODO 8. When learning, update the q table according
            # to the given rules
            self.Qtable[self.state][action] += self.alpha * (r + self.gamma * float(max(self.Qtable[next_state].values()) - self.Qtable[self.state][action]))

    def update(self):
        """
        Describle the procedure what to do when update the robot.
        Called every time in every epoch in training or testing.
        Return current action and reward.
        """
        self.state = self.sense_state() # Get the current state
        self.create_Qtable_line(self.state) # For the state, create q table line

        action = self.choose_action() # choose action for this state
        reward = self.maze.move_robot(action) # move robot for given action

        next_state = self.sense_state() # get next state
        self.create_Qtable_line(next_state) # create q table line for next state

        if self.learning and not self.testing:
            self.update_Qtable(reward, action, next_state) # update q table
            self.update_parameter() # update parameters

        return action, reward

 

posted on 2019-02-27 19:36  paulonetwo  阅读(1392)  评论(0)  编辑  收藏  举报

导航