游戏开发中的AI (入门篇)

Unity正朝着AI的方向潜心探索着。本文是Unity发布的首篇AI相关文章，为大家介绍AI的一些概念及术语，详细介绍机器学习相关理论与方法，并讲解在使用Unity开发游戏的过程中如何应用AI。未来我们还将为大家分享更多AI的内容。

请点击[阅读原文]访问Unity官方中文社区（unitychina.cn），查看利用AI进行Unity游戏开发的实例工程，以及WebGL项目示例。

ML(机器学习）与 AI (人工智能)

首先来介绍下Machine Learning（机器学习，下文简称ML）和游戏Artificial Intelligence（人工智能，下文简称AI）间的关系。现存的大部分游戏AI都是手工编码，由大量决策树组成，有时会包含多达数千条规则。而且必须由手工维护和测试。而ML所依赖的算法可以自动从原始数据寻找规律，无需专家预先定义数据的解读方式。

以图片内容分类这个计算机视觉问题为例。直到几年前，专家们仍然通过手工编写过滤器，提取图像的有用特征，用于分辨某个图像中包含的是猫还是狗。而ML，特别是最新的深度学习方法，仅需图像和类型标签，就可以自动学习有用特征。我们相信这种自动化学习不仅可以拓展Unity平台的应用范围，例如用于ML场景模拟，还可以帮助所有开发者简化和加速游戏的开发过程。

这种自动化学习尤其可以应用于游戏代理（即NPC）的行为方面。我们可以使用Reinforcement Learning(增强学习，简称RL ) 来训练代理，预估某一环境中施行特定行为的价值。一旦训练完成，代理即可以最佳行为模式做出反应，无需通过程序对行为进行显式的编码。

采用老虎机算法的增强学习

RL背后的一个核心概念是价值估计，并据此进行相应动作。在继续深入之前，最好先了解一些术语。

在RL中，实施动作的个体被称为agent（代理），它使用policy（策略）进行动作决策。一个代理通常嵌于一个environment（环境）中，并在任意给定的时刻都处于某个特定的state（状态）。从那个状态，它可以进行一系列actions（动作）。某个给定状态的value（值）指的是处于该状态的最终回报价值。在某个状态执行一个动作可以让代理进入另一个新的状态，获得一个reward（回报），或者同时拥有两者。所有RL代理都在尽可能最大化累计回报。
45 33219 45 14987 0 0 2676 0 0:00:12 0:00:05 0:00:07 2899p>

增强学习循环

多臂老虎机（multi-armed bandit）是RL问题中最简单的一个版本。这个名字由以下这个问题衍生而来：如何使多台老虎机的回报最优化，假定老虎机都具有赚取客户钱的倾向。在本设置中，环境内仅有一个状态，代理能采取n个动作中的一个。每个动作都会立即为代理提供一个回报。代理的目标是找出能提供最多回报的动作。

为了能更好地进行理解，让我们想象一个地牢爬行者游戏中的场景。代理进入一个房间，发现墙边放着一排宝箱。每个宝箱都有一定的几率包含一颗钻石（回报+1）或一个敌人恶魂（回报-1）。

代理的目标就是学习得知哪个宝箱最有可能有钻石。例如从右开始的第三个箱子里有钻石。要找出回报最高的宝箱最自然的方法就是逐一尝试。在代理获得足够的关于这个世界的信息并采取最优化动作之前，大部分RL的工作就是简单的不断试错。上面这个例子用RL的术语来描述就是，“尝试”对应的是采取一系列动作（多次打开每个宝箱），学习对应的是更新每个动作的估计值。一旦我们基本确定值估计，就可以让代理总是选择那个具有最高估计值得宝箱。

三个宝箱，每个都有未知概率包含一颗钻石或一个敌人

这些值估计可以通过一个迭代过程获得。这个过程从最初的一系列估计V(a)开始，并根据每次动作的结果对其进行调整。表达式如下：

其中，α对应我们的学习率，V(a)是给定动作的价值估计，r是采取动作后马上可以获得的回报。

上面的等式很直观，它表明我们将当前的价值估计向获得回报的方向做了一些微调。这样就能确保变化的估计值能更好的反应环境中的真实动态。如此一来，还能确保估计不会变得过大，如果我们仅计算正向结果就可能会发生这种情况。要完成相应代码，我们可以使用一组值估计向量，并通过代理动作对应的索引来引用它们。

https://v.qq.com/txp/iframe/player.html?vid=d0521xgqagh&width=500&height=375&auto=0
三个宝箱上方显示的是代理的值估计（绿色球体），以及真实的概率值（中间的半透明球体）。在这个例子中，三个宝箱的潜在正向回报概率分别是 10%（左），20%（中），80%（右）。随着训练进行，代理的值估计变得越来越精确。

上下文老虎机（Contextual Bandits）

上述的情况缺少了任何真实环境中都有的一个重要方面：它仅有一个状态。在现实以及游戏世界中，一个特定环境可能会处于数十（房子中的房间）到数十亿（一个屏幕上的像素配置）种可能状态中的一种。每个状态都有它们自己独特的动态特性，即动作如何提供新的回报或者允许状态间的迁移。

因此，我们需要对动作，值估计，以及状态设定条件。用符号表示，现在将用Q(s,a)取代V(a)。它的抽象意思是，现在期望获得的回报，是我们所采取的动作以及采取该动作时所处状态的一个函数。

在地牢游戏中，状态的概念使我们可以在不同的房间中拥有不同的宝箱组。每个房间可以有不同的最理想宝箱，因此，代理需要学习在不同房间中采取不同的动作。用代码来实现的话就是，使用一个价值估计矩阵来取代一个简单向量。这个矩阵可以用[state, action]来索引。

探索（Exploring）和利用（Exploiting）

让RL工作还需要一块重要的拼图。在代理习得采取最佳回报动作的策略之前，需要有另一个策略，使它可以充分了解世界，以确保它知道什么是最佳。这引出了一个经典困境，如何平衡探索（exploration）（通过不断试错学习环境的价值结构）和利用（exploitation ）（基于环境习得的价值结构采取动作）。有时这两个目标会一致，但通常都会相左。有一系列策略可以平衡这两个目标。下面列出了其中一部分：

• 一个简单却强大的策略是遵循“optimism in the face of uncertainty”的原则。它的做法是，代理每个动作都从高值估计V(a)开始，这样它就会贪婪地（利用最大值）采取动作，使它将每个动作都至少执行一次。

• 如果动作没有获得好的回报，就降低对应的价值估计，反之则保持高价值估计，因为该操作可以作为后续好操作的候选。但是仅靠这种自身启发式算法通常仍然不够，因为我们可能需要持续探索某个特定状态以找到一个低频率，却有巨大的回报。

• 另一个策略是为每个动作的价值估计添加随机噪声，随后根据新的有噪声估计进行贪婪动作。使用这种方式，只要噪声值小于真实最优动作与其他动作间的差异值，就能收敛至最优的价值估计。

现在可以进一步利用值估计自身的特性，将它们进行归一化，依据概率采取动作。这种情况下，如果每个动作的价值估计大致相等，将会以相同概率采取动作。反之，如果一个动作的价值估计要大得多，我们将会更多的选择这个动作。这样就能通过递减选择无回报动作，慢慢将它们淘汰。这是在示例项目中所采用的策略。

结语

有了这篇文章以及相关代码，现在已经可以在Unity中使用多臂与上下文老虎机算法了。但这仅仅是入门而已。在后面的文章中，我们将通过Q-Learning来讲解一个完整的RL问题，并以此为基础，开始用深度神经网络，解决视觉丰富游戏环境中，愈趋复杂的代理行为的学习策略问题。使用这些高级方法，可以训练代理成为我们游戏中的同伴或对手，适用的游戏类型可以是格斗、驾驶、第一人称射击，或甚至实时策略游戏。无需编写任何规则，只需专注于你希望代理达成的状态，而非它如何达成的过程。

后续，我们还会提供一些工具的早期版本，让对使用Unity进行深度RL研究感兴趣的研究者，可以将诸如Tensorflow或PyTorch等框架编写的模型连接到Unity制作的环境中。一起探索可能是未来游戏制作方式的未知领域！

官方活动

活动一：分享Unity技术文章，Unity带你亲临王者荣耀KPL总决赛，倒计时最后2天！

活动二：7月Unity技术路演，Unity技术路演将从沿海深入腹地，即将来到武汉和西安，为当地开发者带来引擎新功能介绍演示和2个不同主题的Workshop内容。报名火热进行中!

推荐阅读

点击“阅读原文”进入Unity官方中文社区！