安装

官方文档
Mac
release_19版本

git clone --branch release_19 https://github.com/Unity-Technologies/ml-agents.git

试了两遍，网速太慢，clone失败。直接去github网站下载zip文件，解压

unzip ml-agents-release_19.zip

这个项目中包含：

• com.unity.ml-agentsunity包
• com.unity.ml-agents.extensionsunity包，实验性的，可选，依赖com.unity.ml-agents
• mlagentspython库，训练agents，依赖mlagents_envs
• mlagents_envs一个底层的python库
• gym-unity支持OpenAI Gym的python库
• Project一些demo
  unity包在unity项目中import；
  python库单独在python环境中安装，可以从这个clone下来的源码安装，不过pip安装更方便：

conda create -n ml-agents python=3.6
conda activate ml-agents
python -m pip install mlagents==0.28.0

Demo

官方文档
从UnityHub中直接打开项目：ml-agents-release_19/Project，如下图，有很多examples

打开3DBall/Scenes/3DBall场景，可以直接运行看到Agents的效果。

训练

进入到Project文件夹下，运行

mlagents-learn config/ppo/3DBall.yaml --run-id=first3DBallRun

启动python训练程序。config文件夹下预置了Examples中项目的训练配置文件，run-id是此次训练的名称。然后到Unity中点击运行，提供训练环境，就开始训练了。要停止训练，直接CTRL+C，要继续训练，运行：

mlagents-learn config/ppo/3DBall.yaml --run-id=first3DBallRun --resume

训练中会在当前目录下新建一个reuslt文件夹，存放训练过程中的log和模型结果，跟TF/Pytorch类似：

results
└── first3DBallRun
├── 3DBall
│ ├── 3DBall-151000.onnx
│ ├── 3DBall-151000.pt
│ ├── checkpoint.pt
│ └── events.out.tfevents.1653732428.bogon.89658.0
├── 3DBall.onnx
├── configuration.yaml
└── run_logs
├── timers.json
└── training_status.json

可以用tensorboard来查看训练过程中的指标

tensorboard --logdir results

在浏览器中输入localhost:6006，就能看到reward、loss等曲线

场景中有12个Agents，这12个Agents相互独立并共享一个模型，训练时，都单独对模型参数更新做贡献，相当于开12个训练线程或者batch为12，总之，相当于提升12倍训练速度。
至此，吧ML-Agents的Demo走了一遍，跑了起来，但是对里面的细节还不清楚，需要从0开始搭建一个完整的ML-Agents系统。

从0搭建

官方文档

1，新建3D Project，命名为“RollBall”

2，导入unity包com.unity.ml-agents

Window->Package Manager->Add package from disk，选择ml-agents-release_19/com.unity.ml-agents/package.json，导入成功。

3，新建物体

如图，Agent是一个小球（RollerAgent），目标是走到方块（Target）处，给RollerAgent添加Rigidbody组件，如果离开平面就会因为重力掉下去，进而失败。

4，编写Agent脚本

新建脚本RollerAgent.cs，这边是核心，状态、reward、action都是在这边定义的。

using System.Collections;
using System.Collections.Generic;
using UnityEngine;
using Unity.MLAgents;
using Unity.MLAgents.Sensors;
using Unity.MLAgents.Actuators;

public class RollerAgent : Agent
{
    Rigidbody rBody;
    void Start()
    {
        rBody = GetComponent<Rigidbody>();
    }

    public Transform Target;

    public override void OnEpisodeBegin()
    {
        // If the Agent fell, zero its momentum
        if (this.transform.localPosition.y < 0)
        {
            this.rBody.angularVelocity = Vector3.zero;
            this.rBody.velocity = Vector3.zero;
            this.transform.localPosition = new Vector3(0, 0.5f, 0);
        }

        // Move the target to a new spot
        Target.localPosition = new Vector3(Random.value * 8 - 4, 0.5f, Random.value * 8 - 4);
    }

    // the data will be fed into a neural network as a feature vector
    public override void CollectObservations(VectorSensor sensor)
    {
        // Target and Agent positions
        sensor.AddObservation(Target.localPosition);
        sensor.AddObservation(this.transform.localPosition);

        // Agent velocity
        sensor.AddObservation(rBody.velocity.x);
        sensor.AddObservation(rBody.velocity.z);
    }

    public float forceMultiplier = 10;
    public override void OnActionReceived(ActionBuffers actionBuffers)
    {
        // Actions, size = 2
        Vector3 controlSignal = Vector3.zero;
        controlSignal.x = actionBuffers.ContinuousActions[0];
        controlSignal.z = actionBuffers.ContinuousActions[1];
        rBody.AddForce(controlSignal * forceMultiplier);

        // Rewards
        float distanceToTarget = Vector3.Distance(this.transform.localPosition, Target.localPosition);

        // Reached target
        if (distanceToTarget < 1.42f)
        {
            SetReward(1.0f);
            EndEpisode();
        }

        // Fell off platform
        else if (this.transform.localPosition.y < 0)
        {
            EndEpisode();
        }
    }

    public override void Heuristic(in ActionBuffers actionsOut)
    {
        var continuousActionsOut = actionsOut.ContinuousActions;
        continuousActionsOut[0] = Input.GetAxis(\"Horizontal\");
        continuousActionsOut[1] = Input.GetAxis(\"Vertical\");
    }
}

强化学习主要由智能体（Agent）、环境（Environment）、状态（State）、动作（Action）、奖励（Reward）组成。一次事件(episode)从开始到任务成功/任务失败/timeout，在一个episode中优化Reward。
OnEpisodeBegin 事件开始时的状态初始化。
CollectObservations 设置state，state数据会被传入模型中，模型根据当前state输出action。
OnActionReceived 在这边控制action对env的改变，env对state的改变则是unity算的；Reward也是在这边给的。

5，添加Agent相关组件

给Agent添加如下组件，并修改一些参数：

RollerAgent上面编写的脚本
DecisionRequester “request decisions on its own at regular intervals” 目前没太明白，貌似不用也行？
BehaviorParameters 模型参数配置，包括state向量维度，action维度，模型文件等等。

6，环境测试

至此，环境和Agent都搭建好了，还没有Model，在训练模型之前，先通过添加Heuristic函数（上面脚本中）来手工测试一下，通过按上下左右键来控制球的移动，相当于此时的Agent背后的Model是操作的人。以此也可以验证环境搭建的正确性。

7，训练

在Assets目录下面新建一个模型训练的配置文件Config/rollerball_config.yaml：

behaviors:
  RollerBall:
    trainer_type: ppo
    hyperparameters:
      batch_size: 10
      buffer_size: 100
      learning_rate: 3.0e-4
      beta: 5.0e-4
      epsilon: 0.2
      lambd: 0.99
      num_epoch: 3
      learning_rate_schedule: linear
      beta_schedule: constant
      epsilon_schedule: linear
    network_settings:
      normalize: false
      hidden_units: 128
      num_layers: 2
    reward_signals:
      extrinsic:
        gamma: 0.99
        strength: 1.0
    max_steps: 500000
    time_horizon: 64
    summary_freq: 2000

参数说明详见Config参数。
在Assets目录下运行

mlagents-learn Config/rollerball_config.yaml --run-id=RollerBall

并运行unity项目，开始训练，观察reward差不多时，Ctrl+C终止训练

…
[INFO] RollerBall. Step: 46000. Time Elapsed: 126.200 s. Mean Reward: 0.908. Std of Reward: 0.289. Training.
[INFO] RollerBall. Step: 48000. Time Elapsed: 131.253 s. Mean Reward: 0.862. Std of Reward: 0.345. Training.
[INFO] RollerBall. Step: 50000. Time Elapsed: 136.253 s. Mean Reward: 0.878. Std of Reward: 0.328. Training.
[INFO] RollerBall. Step: 52000. Time Elapsed: 141.376 s. Mean Reward: 0.915. Std of Reward: 0.279. Training.
[INFO] RollerBall. Step: 54000. Time Elapsed: 146.467 s. Mean Reward: 0.879. Std of Reward: 0.327. Training.

训练log和结果在Assets下的results目录中：

results
├── RollerBall
│ ├── RollerBall
│ │ ├── RollerBall-55804.onnx
│ │ ├── RollerBall-55804.onnx.meta
│ │ ├── RollerBall-55804.pt
│ │ ├── RollerBall-55804.pt.meta
│ │ ├── checkpoint.pt
│ │ ├── checkpoint.pt.meta
│ │ ├── events.out.tfevents.1653813243.bogon.91531.0
│ │ └── events.out.tfevents.1653813243.bogon.91531.0.meta
│ ├── RollerBall.meta
│ ├── RollerBall.onnx
│ ├── RollerBall.onnx.meta
│ ├── configuration.yaml
│ └── configuration.yaml.meta
└── RollerBall.meta

用tensorboard查看训练过程指标曲线：

tensorboard --logdir results

浏览器中localhost:6006可看到：

8，Agent测试

把训练好的模型results/RollerBall/RollerBall.onnx赋值给Behavior Parameter组件的Model参数：

运行unity，就可以看到效果。

9，并行加速

两种方式：

• 一种是在场景中复制多份TrainingArea，训练的时候，会根据BehaviorName（BehaviorParameter的参数）去collect相关的数据，相当于多个agent同时训练并贡献给模型参数，相当于多线程或多batch训练。
• 另一种是

mlagents-learn config/rollerball_config.yaml --run-id=RollerBall --num-envs=2

测试的时候用了第一种，第二种还没试。