bacow/easy-rl
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

update project1

Browse Source
This commit is contained in:
JohnJim0816
2020-11-24 20:29:44 +08:00
parent cfe5a89fa7
commit 3519f14ff0
1 changed files with 49 additions and 48 deletions
Download Patch File Download Diff File Expand all files Collapse all files

97
docs/chapter3/project1.md
View File

@@ -1,8 +1,10 @@
# 使用Q-learning解决悬崖寻路问题 # 使用Q-learning解决悬崖寻路问题
强化学习在运动规划方面也有很大的应用前景，具体包括路径规划与决策，群体派单等等，本次项目就将单体运动规划抽象并简化，让大家初步认识到强化学习在这方面的应用。在运动规划方面，其实已有很多适用于强化学习的仿真环境，小到迷宫，大到贴近真实的自动驾驶环境[CARLA](http://carla.org/)，对这块感兴趣的童鞋可以再多搜集一点。本项目采用gym开发的```CliffWalking-v0```环境，在上面实现一个简单的Q-learning入门demo。
## CliffWalking-v0环境简介 ## CliffWalking-v0环境简介
悬崖寻路问题（CliffWalking）是指在一个4 x 12的网格中，智能体以网格的左下角位置为起点，以网格的下角位置为终点，目标是移动智能体到达终点位置，智能体每次可以在上、下、左、右这4个方向中移动一步，每移动一步会得到-1单位的奖励。 首先对该环境做一个简介，该环境中文名称叫悬崖寻路问题（CliffWalking），是指在一个4 x 12的网格中，智能体以网格的左下角位置为起点，以网格的下角位置为终点，目标是移动智能体到达终点位置，智能体每次可以在上、下、左、右这4个方向中移动一步，每移动一步会得到-1单位的奖励。
![](assets/cliffwalking_1.png) ![](assets/cliffwalking_1.png)
@@ -18,67 +20,64 @@
![](assets/cliffwalking_2.png) ![](assets/cliffwalking_2.png)
**由于从起点到终点最少需要13步，每步得到-1的reward，因此最佳训练算法下，每个episode下reward总和应该为-13**。 **由于从起点到终点最少需要13步，每步得到-1的reward，因此最佳训练算法下，每个episode下reward总和应该为-13**。所以我们的目标也是要通过RL训练出一个模型，使得该模型能在测试中一个episode的reward能够接近于-13左右。
## RL基本训练接口 ## RL基本训练接口
```python 以下是强化学习算法的基本接口，也就是一个完整的上层训练模式，首先是初始化环境和智能体，然后每个episode中，首先agent选择action给到环境，然后环境反馈出下一个状态和reward，然后agent开始更新或者学习，如此多个episode之后agent开始收敛并保存模型。其中可以通过可视化reward随每个episode的变化来查看训练的效果。另外由于强化学习的不稳定性，在收敛的状态下也可能会有起伏的情况，此时可以使用滑动平均的reward让曲线更加平滑便于分析。
env = gym.make("CliffWalking-v0") # 0 up, 1 right, 2 down, 3 left
env = CliffWalkingWapper(env)
agent = QLearning(
obs_dim=env.observation_space.n,
action_dim=env.action_space.n,
learning_rate=cfg.policy_lr,
gamma=cfg.gamma,
epsilon_start=cfg.epsilon_start,epsilon_end=cfg.epsilon_end,epsilon_decay=cfg.epsilon_decay)
render = False # 是否打开GUI画面
rewards = [] # 记录所有episode的reward
MA_rewards = [] # 记录滑动平均的reward
steps = []# 记录所有episode的steps
for i_episode in range(1,cfg.max_episodes+1):
ep_reward = 0 # 记录每个episode的reward
ep_steps = 0 # 记录每个episode走了多少step
obs = env.reset() # 重置环境, 重新开一局（即开始新的一个episode）
while True:
action = agent.sample(obs) # 根据算法选择一个动作
next_obs, reward, done, _ = env.step(action) # 与环境进行一个交互
# 训练 Q-learning算法
agent.learn(obs, action, reward, next_obs, done) # 不需要下一步的action
obs = next_obs # 存储上一个观察值 ```python
ep_reward += reward '''初始化环境'''
ep_steps += 1 # 计算step数 env = gym.make("CliffWalking-v0") # 0 up, 1 right, 2 down, 3 left
if render: env = CliffWalkingWapper(env)
env.render() #渲染新的一帧图形 agent = QLearning(
if done: obs_dim=env.observation_space.n,
break action_dim=env.action_space.n,
steps.append(ep_steps) learning_rate=cfg.policy_lr,
rewards.append(ep_reward) gamma=cfg.gamma,
# 计算滑动平均的reward epsilon_start=cfg.epsilon_start,epsilon_end=cfg.epsilon_end,epsilon_decay=cfg.epsilon_decay)
if i_episode == 1: render = False # 是否打开GUI画面
MA_rewards.append(ep_reward) rewards = [] # 记录所有episode的reward
else: MA_rewards = [] # 记录滑动平均的reward
MA_rewards.append( steps = []# 记录所有episode的steps
0.9*MA_rewards[-1]+0.1*ep_reward) for i_episode in range(1,cfg.max_episodes+1):
print('Episode %s: steps = %s , reward = %.1f, explore = %.2f' % (i_episode, ep_steps, ep_reward = 0 # 记录每个episode的reward
ep_reward,agent.epsilon)) ep_steps = 0 # 记录每个episode走了多少step
# 每隔20个episode渲染一下看看效果 obs = env.reset() # 重置环境, 重新开一局（即开始新的一个episode）
if i_episode % 20 == 0: while True:
render = True action = agent.sample(obs) # 根据算法选择一个动作
else: next_obs, reward, done, _ = env.step(action) # 与环境进行一个交互
render = False # 训练 Q-learning算法
agent.learn(obs, action, reward, next_obs, done) # 不需要下一步的action
obs = next_obs # 存储上一个观察值
ep_reward += reward
ep_steps += 1 # 计算step数
if render:
env.render() #渲染新的一帧图形
if done:
break
steps.append(ep_steps)
rewards.append(ep_reward)
# 计算滑动平均的reward
if i_episode == 1:
MA_rewards.append(ep_reward)
else:
MA_rewards.append(
0.9*MA_rewards[-1]+0.1*ep_reward)
print('Episode %s: steps = %s , reward = %.1f, explore = %.2f' % (i_episode, ep_steps,
ep_reward,agent.epsilon))
agent.save() # 训练结束，保存模型 agent.save() # 训练结束，保存模型
``` ```
## 任务要求 ## 任务要求
训练并绘制reward以及滑动平均后的reward随episode的变化曲线图并记录超参数写成报告，图示如下： 基于以上的目标，本次任务即使训练并绘制reward以及滑动平均后的reward随episode的变化曲线图并记录超参数写成报告，示例如下：
![rewards](assets/rewards.png) ![rewards](assets/rewards.png)
![moving_average_rewards](assets/moving_average_rewards.png) ![moving_average_rewards](assets/moving_average_rewards.png)
### 代码清单 ### 主要代码清单
**main.py**：保存强化学习基本接口，以及相应的超参数，可使用argparse **main.py**：保存强化学习基本接口，以及相应的超参数，可使用argparse
@@ -86,6 +85,8 @@
**agent.py**: 保存算法模型，主要包含predict(预测动作)和learn两个函数 **agent.py**: 保存算法模型，主要包含predict(预测动作)和learn两个函数
**params.py**：保存一些参数，比如训练参数等
**plot.py**：保存相关绘制函数 **plot.py**：保存相关绘制函数
[参考代码](https://github.com/datawhalechina/leedeeprl-notes/tree/master/codes/Q-learning) [参考代码](https://github.com/datawhalechina/leedeeprl-notes/tree/master/codes/Q-learning)