Macro-action PPO
Last updated
Last updated
TStarBots: Defeating the Cheating Level Builtin AI in StarCraft II in the Full Game
星际争霸2(SC2)被广泛认为是最具挑战性的即时战略游戏游戏。潜在的挑战包括巨大的观察空间，巨大的(连续的和无限的)行动空间，部分观察，所有玩家同时移动，以及长期的延迟对当地决策的奖励。为了推动人工智能研究的前沿，Deepmind和Blizzard联合开发了星际争霸II学习环境（SC2LE）作为复杂决策系统的测试平台。SC2LE提供了一些迷你游戏，如MOToBeacon，CollectMineralShards和DefeatRoaches，其中一些AI代理已经达到了人类职业玩家的性能水平。然而，对于完整的游戏，当前的AI代理仍然远未达到人类专业水平的表现。对于bridgethis差距，我们在本文中提出了两个完整的游戏AI代理 - AI TStarBot1基于对平面动作结构的深度强化学习，AI TStarBot2基于分层动作结构上的硬编码规则。THtarBot1和TStarBot2能够在完整游戏中击败内置AI代理从1级到10级（AbyssalReef地图上的1v1Zerg-vs-Zerggame），注意到8级，9级和10级作弊代理具有不公平的优势，如 整个地图的全景和资源收获提升1。据我们所知，这是第一个调查可以在星际争霸II完整游戏中击败内置AI的AI代理的公开工作。
SC2LE [15]是由DeepMind和Blizzard联合开发的平台。 暴雪提供的游戏内容暴露了原始界面和功能图界面。 DeepMind PySC2环境进一步在Python中包装核心库并完全公开了特征映射接口。 目的是密切模仿人类控制（例如，鼠标点击或按下某些键盘按钮），由于SC2的复杂性，这引入了大量的动作。 因此，它为基础决策系统带来了困难。而且，这种“玩家级”建模对于设计“单元级”模型是不方便的，尤其是在考虑多个代理时。 在这项工作中，我们进一步努力实现单元级控制。 此外，我们将上述建筑依赖项编码为技术树。
Expose unit control 在我们的PySC2扩展中，我们公开了SC2核心库的原始接口，它支持每单位的观察和操作。
Encode the technology tree 在星际争霸II中，玩家可能需要特定单位（建筑物或技术人员）作为其他先进单位（或建筑物或技术人员）的先决条件。在UrAlbertaBot [19]之后，我们将这些依赖关系形式化为一个技术树，缩写为TechTreein我们的PySC2扩展。
我们为Zerg-vs-ZergSC2完整游戏设计了165个宏动作，如表1所示（完整列表请参阅附录-I）。 如上所述，宏观行动的目的是双重的：
仅使用试错法对游戏的内在规则进行编码，这些规则难以学习
通过硬编码决策隐藏学习算法中的不重要决策
观察结果被表示为一组空间二维特征图和一组非空间标量特征，这些特征是从SC2 游戏内核提供的单位信息中提取的，这些信息在我们的PySC2扩展中公开。
Spatial Feature Maps 提取的特征图的大小为N×N，其中N小于屏幕尺寸。 特征图的每个像素对应于整个世界地图中的小区域，表示某个统计量，例如该区域中某种类型的单位数。 这些数量包括玩家和对手常用单位类型的数量，以及具有某些属性的单位数，例如“can-attack-ground”和“can-attack-air”
Non-spatial Features 标量特征包括收集的天然气和矿物质的数量，剩余的食物量，每种单位类型的数量等。它们还包括最近采取的跟踪过去信息的方法
Rewards 我们使用三元值奖励函数：在游戏结束时收到1（赢）/ 0（平局）/ -1（失败）。 在比赛期间奖励总是为零。 虽然奖励信号非常稀疏，并且具有很长的时间范围延迟，但它仍然适用于这项工作中提出的宏观结构。
Dueling Double Deep Q-learning (DDQN) 参考DDQN算法
Proximal Policy Optimization (PPO) 参考PPO算法
Neural Network Architecture 我们采用多层感知神经网络来参数化状态 - 动作值函数，状态值函数和策略函数。可以考虑更复杂的网络体系结构（例如，提取空间特征的卷积层，或补偿部分观察的循环层） ，我们将把它们留给未来的工作。
Distributed Rollout Infrastructure SC2游戏核心是CPU密集型的，并且推出速度慢，导致RL训练期间出现瓶颈。 为了解决这个问题，我们构建一个分布式部署基础设施，其中使用了一组CPU机器（称为actor）来并行执行部署过程。 高速缓存在每个actor的显示内存中的推出体验被随机采样并定期发送到基于GPU的机器（称为学习者）。我们目前使用1920个并行参与者(80台机器上有3840个处理器)以每秒大约16000帧的速度生成重放转换。这显著减少了训练时间(从几周减少到几天)，并且由于探索轨迹的多样性增加而提高了学习稳定性。
上面描述的基于宏动作的代理有一些限制。 尽管宏操作可以根据功能进行分组，但是单个控制器必须修复所有操作组，其中不同组的操作在每个决策步骤中是互斥的。 此外，在预测要采取的操作时，控制器采用不知道操作组的共同观察。 这相当于训练控制器的不必要的困难，因为不期望的信息可能会引发观察和反应。 此外，宏观行动对单个单位（即，每单位控制）没有任何控制，当我们想要采用多代理方式时，这是不灵活的。
为了提高灵活性，我们创建了一组不同的动作，如图3所示。我们既包括宏观行动，也包括微观行动，组织在两层结构中。
这种层次结构有两个优点。 1）每个控制器都有自己的观察/动作空间，这样就可以更容易地过滤出无关信息;在对子任务Q头进行建模时，[32]也采用并讨论了这一点。 2）层次结构更好地捕获游戏的动作结构，同时来自不同控制器的动作。
虽然理想情况下控制器应该单独或联合使用RL进行训练，但在这项工作中我们只使用专家规则，目的是验证提出的分层动作集方法。
如图4所示，每个控制器代表一个模块，以类似于UrbertaBot的方式组织。 第一层模块（CombatStrategy，ProductionStrategy）仅发出高级命令（宏操作），而第二层模块（Combat，Scout，Resourceand Building）发出低级命令（微动作）。
DataContext模块用作模块交换信息的“黑板”。 DataContext中包含的内容属于以下类别
Observation PySC2提供的特征映射以及当前时间步骤中所有活动单元的单元数据结构都被暴露出来
Pool 池是特定类型单元的数组，具有相关的属性/方法，可以轻松访问调用程序模块
Command Queue 高级命令存储在对所有（较低层）模块可见的队列中。
战斗策略模块做出高级决策，以便代理可以以不同方式对抗敌人。该模块通过组织小队和军队来操纵所有战斗单位。 每个小队可能包含一个或多个作战单位，预计会执行特定任务，例如骚扰敌人基地，清理地图中的岩石等。我们的实施包括五个高级战斗策略：
Rush
Economy First
Timing Attack
Reform
Harass
作战模块从命令队列中获取命令并为每个单元执行特定操作。 它使用单位级操纵来有效地让每个单位与敌人作战。它使用单位级操纵来有效地让每个单位与敌人作战。 战斗模块实现了一些类似人类的基本微观管理，如肇事逃逸，掩护攻击等。
生产策略模块管理建筑/单元生产、技术升级和资源收获。该模块通过向每个基础实例发送生产指令来控制单元和建筑物的生产。
通过使用不同的开放顺序和目标规划功能，我们为Zergas定义了两种不同的生产策略：
RUSH
DEF_AND_ADV
构建模块接收并执行Production Strategy发出的高级命令。 “一元”命令（即，让一些单元自己动作）是直接执行的。 一些“二进制”命令需要更多解释。
资源模块是通过向矿物碎片或提取器发送无人机来采集矿物和气体。在每个时间步，该模块需要知道当前工作模式是“矿物优先”还是“气体优先”，这是由生产策略模块发布的称为“资源类型优先级”的高级命令。
侦察模块试图找出尽可能多的敌人单位。启用温雾模式后，每个单元只有一个非常有限的视图。因此，许多敌人单位是看不见的，除非玩家自己的单位可以接近他们并通过侦察看到他们。
