《超級(jí)馬里奧兄弟》你能玩到第幾關(guān)？

說(shuō)起這款FC時(shí)代的經(jīng)典游戲，大家可能再熟悉不過(guò)了，大鼻子、留胡子，穿著背帶工裝服的馬里奧大叔，成為了很多80/90后的童年回憶。

看著畫(huà)面中熟悉的馬里奧大叔一路跌跌撞撞，躲避半路殺出來(lái)的毒蘑菇，錘子烏龜，頭盔兔子、食人花，感覺(jué)又回到了小時(shí)候。

最早發(fā)行的這版《超級(jí)馬里奧兄弟》設(shè)置8個(gè)場(chǎng)景，每個(gè)場(chǎng)景分為4關(guān)，共32個(gè)關(guān)卡，相信很多朋友至今還沒(méi)有通關(guān)。

Viet Nguyen就是其中一個(gè)。這位來(lái)自德國(guó)的程序員表示自己只玩到了第9個(gè)關(guān)卡。因此，他決定利用強(qiáng)化學(xué)習(xí)AI算法來(lái)幫他完成未通關(guān)的遺憾。

現(xiàn)在他訓(xùn)練出的AI馬里奧大叔已經(jīng)成功拿下了29個(gè)關(guān)卡。

不過(guò)，遺憾的是第4、7、8場(chǎng)景中的第4關(guān)卡未通過(guò)。Viet Nguyen解釋說(shuō)，這與游戲規(guī)則的設(shè)置有關(guān)。在一場(chǎng)游戲結(jié)束后，玩家可以自行選擇通關(guān)路徑，但這可能出現(xiàn)重復(fù)訪問(wèn)同一關(guān)卡的情況，所以AI未成功進(jìn)入到這三關(guān)游戲之中。

Viet Nguyen使用的強(qiáng)化學(xué)習(xí)算法正是OpenAI研發(fā)的近端策略優(yōu)化算法（Proximal Policy Optimization，簡(jiǎn)稱PPO），他介紹，此前使用A3C代碼訓(xùn)練馬里奧闖關(guān)，效果遠(yuǎn)不及此，這次能夠達(dá)到29關(guān)也是超出了原本的預(yù)期。

現(xiàn)在Viet Nguyen已經(jīng)將基于PPO編寫的完整Python代碼發(fā)布到了Github上，并給出了詳細(xì)的使用說(shuō)明，感興趣的朋友可以體驗(yàn)一下：

還會(huì)玩Dota的AI算法：PPO

據(jù)了解，PPO是OpenAI在2017年開(kāi)發(fā)的算法模型，主要用來(lái)訓(xùn)練虛擬游戲玩家OpenAI Five，這位虛擬玩家在2018年的Dota2人機(jī)對(duì)抗賽中，戰(zhàn)勝過(guò)世界職業(yè)選手，同時(shí)能夠打敗99.95%的普通玩家。

復(fù)雜的游戲環(huán)境一直被研究人員視為AI訓(xùn)練的場(chǎng)景。為了讓AI掌握游戲規(guī)則，學(xué)會(huì)運(yùn)用策略，強(qiáng)化學(xué)習(xí)是研究人員常用的機(jī)器學(xué)習(xí)方法之一，它能夠描述和解決AI智能體（Agent）在與環(huán)境交互過(guò)程中通過(guò)學(xué)習(xí)策略實(shí)現(xiàn)特定目標(biāo)的問(wèn)題。

近端策略優(yōu)化算法（PPO）已成為深度強(qiáng)化學(xué)習(xí)基于策略中效果的算法之一。有關(guān)該算法的論文已經(jīng)發(fā)布在arXiv預(yù)印論文庫(kù)中。

論文中指出，PPO是一種新型的策略梯度（Policy Gradient）算法，它提出新的“目標(biāo)函數(shù)”可以進(jìn)行多個(gè)訓(xùn)練步驟，實(shí)現(xiàn)小批量的更新，解決PG算法中步長(zhǎng)難以確定的問(wèn)題。固定步長(zhǎng)的近端策略優(yōu)化算法如下:

(每次迭代時(shí)，N個(gè)actor中的每個(gè)都收集T個(gè)時(shí)間步長(zhǎng)的數(shù)據(jù)。 然后在這些NT時(shí)間步長(zhǎng)的數(shù)據(jù)上構(gòu)建替代損失，并使用 minibatch SGD 進(jìn)行K個(gè)epochs的優(yōu)化。)

研究人員表明，該算法具有信任區(qū)域策略優(yōu)化（TRPO）的一些優(yōu)點(diǎn)，但同時(shí)比它實(shí)施起來(lái)更簡(jiǎn)單，更通用，具有更好的樣本復(fù)雜性（憑經(jīng)驗(yàn)）。為了證實(shí)PPO的性能，研究人員在一些基準(zhǔn)任務(wù)上進(jìn)行了模擬測(cè)試，包括人形機(jī)器人運(yùn)動(dòng)策略和Atari游戲的玩法。

PPO算法的基準(zhǔn)任務(wù)測(cè)試

在游戲角色的AI訓(xùn)練中，一種基本的功能是具備連續(xù)性的運(yùn)行和轉(zhuǎn)向，如在馬里奧在遇到諸如地面或者空中障礙時(shí)，能夠以此為目標(biāo)進(jìn)行跳轉(zhuǎn)和躲避。論文中，研究人員為了展示PPO的高維連續(xù)控制性能，采用3D人形機(jī)器人進(jìn)行了測(cè)試，測(cè)試任務(wù)分別為：

（1）僅向前運(yùn)動(dòng)；（2）每200個(gè)時(shí)間步長(zhǎng)或達(dá)到目標(biāo)時(shí)，目標(biāo)位置就會(huì)隨機(jī)變化；（3）被目標(biāo)擊倒后，需要從地面站起來(lái)。以下從左至右依次為這三個(gè)任務(wù)的學(xué)習(xí)曲線。

研究人員從以上學(xué)習(xí)曲線中，隨機(jī)抽取了任務(wù)二在某一時(shí)刻的性能表現(xiàn)。如下圖，

可以看出，在第六幀的放大圖中，人形機(jī)器人朝目標(biāo)移動(dòng)，然后隨機(jī)改變位置，機(jī)器人能夠跟隨轉(zhuǎn)向并朝新目標(biāo)運(yùn)行。說(shuō)明PPO算法在連續(xù)轉(zhuǎn)控方面具備出色的性能表現(xiàn)。

那么它在具體游戲中“獲勝率”如何呢？研究人員運(yùn)用Atari游戲合集（含49個(gè)）對(duì)其進(jìn)行驗(yàn)證，同時(shí)與A2C和ACER兩種算法進(jìn)行了對(duì)比。為排除干擾因素，三種算法使用了相同的策略網(wǎng)絡(luò)體系，同時(shí)，對(duì)其他兩種算法進(jìn)行超參數(shù)優(yōu)化，確保其在基準(zhǔn)任務(wù)上的性能化。

如上圖，研究人員采用了兩個(gè)評(píng)估指標(biāo)：（1）在整個(gè)訓(xùn)練期間每集的平均獲勝數(shù)；（2）在持續(xù)100集訓(xùn)練中的每集的平均獲勝數(shù)。 前者更適合快速學(xué)習(xí)，后者有助于的比賽表現(xiàn)。可以看出PPO在指標(biāo)一種的獲勝次數(shù)達(dá)到了30，在小樣本下有更高的勝率。

研究人員還強(qiáng)調(diào)，PPO近端策略優(yōu)化的優(yōu)勢(shì)還在于簡(jiǎn)潔好用，僅需要幾行代碼就可以更改為原始策略梯度實(shí)現(xiàn)，適用于更常規(guī)的設(shè)置，同時(shí)也具有更好的整體效果。

馬里奧大叔闖關(guān)視頻完整版

一問(wèn)：

《雪人兄弟》《綠色兵團(tuán)》《忍者神龜》《雙截龍》《魂斗羅》等眾多經(jīng)典FC游戲中，你最喜歡哪一個(gè)，是否通關(guān)了呢？

九游站所有文章資訊、展示的圖片素材等內(nèi)容均為注冊(cè)用戶上傳（部分報(bào)媒/平媒內(nèi)容轉(zhuǎn)載自網(wǎng)絡(luò)合作媒體），僅供學(xué)習(xí)參考。用戶通過(guò)本站上傳、發(fā)布的內(nèi)容的知識(shí)產(chǎn)權(quán)歸屬用戶或原始著作權(quán)人所有。如有侵犯您的版權(quán)，請(qǐng)聯(lián)系我們反饋！本站將在三個(gè)工作日內(nèi)改正。