用Q-learning算法实现自动走迷宫机器人

【技术沙龙002期】数据中台：宜信敏捷数据中台建设实践|宜信技术沙龙 将于5月23日晚8点线上直播，点击报名

项目描述：

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。

• 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。

• 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。

• 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。

  • 撞到墙壁：-10

  • 走到终点：50

  • 走到陷阱：-30

  • 其余情况：-0.1

• 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。

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t：

• 智能体在从环境中感知其所处的状态

• 智能体根据某些准则选择动作

• 环境根据智能体选择的动作，向智能体反馈奖励

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 选择动作 的策略 。

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：

也就是对于当前的“状态-动作” ，我们考虑执行动作 后环境给我们的奖励，以及执行动作 到达 后，执行任意动作能够获得的最大的Q值，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。

根据已知条件求。

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。

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：

• 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。

• 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。

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 import operator 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(0,1.0) <= epsilon: # 以某一概率 action = random.choice(actions)# 实现对动作的随机选择 else: action = max(qline.items(), key=operator.itemgetter(1))[0] # 否则选择具有最大 Q 值的动作 return action 

range(100): res += choose_action(epsilon) print(res) res = '' for i in range(100): res += choose_action(epsilon) print(res) ldllrrllllrlldlldllllllllllddulldlllllldllllludlldllllluudllllllulllllllllllullullllllllldlulllllrlr 

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。

• 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。

• 使用 trap number 参数，在创建迷宫的时候，设定迷宫中陷阱的数量。

• 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。

• 建议生成的迷宫尺寸，长在 6~12 之间，宽在 10～12 之间。

在如下的代码块中，创建你的迷宫并展示。

 from Maze import Maze %matplotlib inline %confer InlineBackend.figure_format = 'retina' ## to-do: 创建迷宫并展示 g=Maze(maze_size=(6,8), trap_number=1) 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() 。

• 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。

• 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。

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): res = g.move_robot(random. Choice(actions)) rewards.append(res) ## 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 (0,9) 

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。

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）。

import random import operator 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 executing 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 *= 0.95 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. self.Qtable.setdefault(state, {a: 0.0 for a in self.valid_actions}) 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, 1.0) <= 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].items(), key=operator.itemgetter(1))[0] elif self.testing: # TODO 7. choose action with highest q value return max(self.Qtable[self.state].items(), key=operator.itemgetter(1))[0] 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] = (1 - self.alpha) * self.Qtable[self.state][action] + self.alpha * ( r + self.gamma * max(self.Qtable[next_state].values())) 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 # from Robot import Robot # g=Maze(maze_size=(6,12), trap_number=2) g=Maze("test_world\maze_01.txt") 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 （'d', -0.1） Maze of size (12, 12) 

2.3 用 Runner 类训练 Robot

在完成了上述内容之后，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。

---

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 = 0.5

• alpha = 0.5

• gamma = 0.9

• maze_size = (6,8)

• trap_number = 2

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。 g 

---

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。

   使用 ``` runner.plot_results()``` 输出训练结果。 

 runner.plot_results() 

作者：杨飞

来源：宜信技术学院 （http://college.creditease.cn/）