easy-rl/docs/chapter3/project1.md

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，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

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。

如图，红色部分表示悬崖，数字代表智能体能够观测到的位置信息，即observation，总共会有0-47等48个不同的值，智能体再移动中会有以下限制：

• 智能体不能移出网格，如果智能体想执行某个动作移出网格，那么这一步智能体不会移动，但是这个操作依然会得到-1单位的奖励

• 如果智能体“掉入悬崖” ，会立即回到起点位置，并得到-100单位的奖励

• 当智能体移动到终点时，该回合结束，该回合总奖励为各步奖励之和

实际的仿真界面如下：

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

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。

  '''初始化环境'''  
  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
          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

任务要求

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：

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

model.py：保存神经网络，比如全连接网络

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

参考代码

备注

• 注意 $\varepsilon$-greedy 策略的使用，以及相应的参数$\varepsilon$如何衰减

• 训练模型和测试模型的时候选择动作有一些不同，训练时采取 $\varepsilon$-greedy策略，而测试时直接选取Q值最大对应的动作，所以算法在动作选择的时候会包括sample(训练时的动作采样)和predict(测试时的动作选择)

• Q值最大对应的动作可能不止一个，此时可以随机选择一个输出结果