无处不在,搜你所想

    本文汇总了常用的验证强化学习算法的开源环境平台。

  当我们设计了一个强化学习算法之后，我们如何来验证算法的好坏呢？就像数据集一样，我们需要一个公认的平台来衡量这个算法。这样的一个平台，最基本的需要有仿真和渲染。

OpenAI Gym and Universe

  业界最出名的莫过于Gym和Universe了。OpenAI Gym用于评估和比较强化学习算法的好坏。它的接口支持在任何框架下的算法，像TensorFlow, Theano, Keras这些都可以。

GitHub官网界面

  Gym库收集、解决了很多环境的测试过程中的问题，能够很好地使得你的强化学习算法得到很好地Work。并且含有游戏界面，能够帮助你去写通用性更强的算法。

  在各大顶会上经常会看到用于连续控制物理引擎的MuJoCo但这个收费的。

MuJoCo环境示意图

RoboSchool

  作为MuJoCo实现的替代品，OpenAI开发了基于Bullet物理引擎的Roboschool 。它提供了OpenAI Gym形式的接口用于模拟机器人控制。目前包含了12个环境。其中除了传统的类似MuJoCo的场景，还有交互控制，及多智能体控制场景。

Roboschool 官网界面

• GitHub链接：https://github.com/openai/roboschool

• 官网链接：https://openai.com/blog/roboschool/

  Gym中还有用于机械臂的抓取和灵巧手的机械手、机械臂环境Robotics:

Robotics

• GitHub链接：https://github.com/openai/gym

• 官网链接：http://gym.openai.com/

  OpenAI Universe相当于是OpenAI Gym的一个扩展，它所能提供的环境更加的复杂，有即时战略游戏的味道，对决策时间有一定的要求。

Universe

  Universe的发布也算是业界福音，任何程序都可以被转换成一个Gym的环境。Universe 通过自动启动程序在一个VNC远程桌上进行工作，所以它不需要对程序内部、源码或者bot API的特别访问。环境被打包Docker镜像，安装使用将更加方便。

• GitHub链接：https://github.com/openai/universe

• 官网链接：https://openai.com/blog/universe/

DeepMind Lab

  DeepMind Lab是一个第一人称3D游戏平台，它以丰富的科幻视觉来呈现场景。可用的操作能让智能体环顾四周，并以3D的形式移动。示例任务包括收集水果、走迷宫、穿越危险的通道且要避免从悬崖上坠落、使用发射台在平台间移动、玩激光笔、以及快速学习并记住随机生成的环境。DeepMind Lab已经成为DeepMind内部的一个主要研究平台，DeepMind Lab同时拥有更丰富的视觉效果和更自然的物理效果。

https://github.com/deepmind/lab

• 官网链接：https://deepmind.com/research/publications/deepmind-lab

• GitHub链接：https://github.com/deepmind/lab

Project Malmo

  Malmo由微软剑桥研究员Katja Hofmann带领开发，是Microsoft基于Minecraft(我的世界)开发的一个人工智能实验和研究平台。这个平台也还用于第一届协同AI挑战赛。

协同AI挑战赛

  Malmo是用于多智能体强化学习算法的开源平台，要求智能体之间相互合作，将协同AI做到极致。并且研究人员还可以加速《我的世界》中的时钟，加快试验速度。

MalmÖ 简介

• GitHub链接：https://github.com/crowdAI/marLo

• 协同AI挑战赛官网：https://www.microsoft.com/en-us/research/academic-program/collaborative-ai-challenge/

ViZDoom

  ViZDoom提供了用AI玩毁灭战士游戏的环境(一人称射击类游戏)。它提供的是一个多智能体竞争博弈的一个环境，用于测试算法的好坏。

ViZDoom GitHub界面示意图

• GitHub链接：https://github.com/mwydmuch/ViZDoom

作者：小小何先生
链接：https://www.jianshu.com/p/987229c1df3a
来源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。