LSTM之父最新力作：手把手教你训练一个有世界观的AI赛车手 | 论文+代码

“人类对周遭世界的认知，只是我们脑海中的一个模型。”

                                            ——系统动力学之父J.W.Forrester

LSTM之父Jürgen Schmidhuber再发新作！

这一次，他借鉴了人类认知世界的模式，为机器建造了一个世界观模型。

诸多证据表明，人脑为了处理日常生活中的海量信息，学会了对这些时空信息作出抽象化的处理。借此，我们能够在面对周遭复杂的信息时，进行迅速而准确的分析。而我们在当前所“看”到的这个世界，也受到了大脑对未来世界预测的影响。

比方说，棒球选手可以毫不费力地击中打时速100英里的棒球，正是得益于大脑对棒球运动轨迹的精确判断。

那么，我们能不能让机器也学会这样的世界观呢？机器有了世界观后又将具备怎么样的能力呢？

今天，文摘菌就带你一起来读LSTM之父的一篇最新力作。同时，文摘菌也会手把手教你训练出一个有简单世界观的AI赛车手。到底有多厉害，试了就知道！

提出问题

让我们通过一个具体案例来探究这个问题：如何让机器拥有世界观？

假设我们要训练出一个AI赛车手，让它擅长在2D赛道上驾驶汽车。示例如下图。

在每个时间节点，这个AI赛车手都会观察它的周围环境（64×64像素彩色图像），然后决定并执行操作——设定方向（-1到1）、加速（0到1）或制动（0到1）。在它执行操作后，它所处的环境会返回下一个观测结果。以此类推，这个过程讲不断重复。

它的目标是，在尽可能短的时间内走完赛道。

解决方案

我们给出一个由三部分组成的解决方案。

变分自编码器 （VAE）

当你在开车的时候做决定时，你并不会主动分析你视图中的每一个“像素”——相反，你的大脑会将视觉信息凝聚成较少数量的“隐藏”实体，比如道路的笔直程度、即将到来的弯道以及你在道路中的相对位置，从而判断出你需要操作的下一个动作。

这正是VAE的要义所在——将64x64x3（RGB）输入 图像压缩 成一个长度为32的特征向量（z）。

借此，我们的AI赛车手可以用更少的信息去表示周围的环境，从而提高学习效率。

递归神经网络 （RNN）

没有递归 神经网络 的AI赛车手可能会把车开成这样。。。

回想一下。当你开车的时候，其实是会对下一秒可能出现的情况进行持续预估的。

而RNN就能够模拟这种前瞻性思维。

与VAE类似，RNN试图捕捉到汽车在其所处环境中当前状态的隐藏特性，但这次的目的是要基于先前的“z”和先前的动作来预测下一个“z”的样子。

控制器（Controller）

目前为止，我们还没有提到任何有关选择动作的事情。因为，这些选择都是控制器要做的。

控制器是一个密集连接的 神经网络 ，输入是z（VAE的当前隐藏状态——长度为32）和h（RNN的隐藏状态——长度为256）的串联，3个输出 神经元 对应于三个动作，并被缩放到适当的范围内。

为了理解这三个组成部分所担任的不同角色，以及他们是如何一起工作的，我们可以想象他们之间的一段对话：

世界模型体系结构图

VAE：（关注最新的64 * 64 * 3的观测结果）这看起来像一条直路，前方稍微向左弯曲，汽车朝向道路方向（z）。

RNN：基于该描述（z）和控制器在上一个时间节点（动作）选择加速的情况，我将更新我的隐藏状态（h），以便预测下一个观测结果仍然是笔直的道路，但要略微左转一点。

Controller：基于VAE（z）的描述和RNN（h）反馈的当前隐藏状态，我的 神经网络 下一个输出的动作为[0.34,0.8,0]。

然后，这个操作会被传递给环境，该环境会返回更新后的观测结果，并重新开始循环。

现在，让我们来实际演练一下吧！

实现代码来了

如果你使用的是高规格笔记本电脑，则可以在本地运行此解决方案，但我建议你在谷歌云计算平台（Google Cloud Compute）上用功能更强大的计算机来运行，从而在短时间内完成。

以下步骤已经在Linux（Ubuntu 16.04）上进行了测试——在Mac或Windows上只需要更改软件包安装的相关命令即可。

第一步：下载代码

在命令行中输入以下内容：

git clone https://github.com/AppliedDataSciencePartners/WorldModels.git

第二步：创建虚拟环境

创建一个Python3虚拟环境（这里使用的是virutalenv和virtualenvwrapper）：

sudo apt-get install python-pip
sudo pip install virtualenv
sudo pip install virtualenvwrapper
export WORKON_HOME=~/.virtualenvs
source /usr/local/bin/virtualenvwrapper.sh
mkvirtualenv --python=/usr/bin/python3 worldmodels

第三步：安装程序包

sudo apt-get install cmake swig python3-dev zlib1g-dev python-opengl

mpich xvfb xserver-xephyr vnc4server

cd WorldModels
pip install -r requirements.txt

第四步：生成随机训练数据

对于这个塞车问题，VAE和RNN都可以使用随机生成的训练数据——也就是在每个时间节点随机采取动作所生成的观测数据。实际上，我们可以使用伪随机动作，使车在初始状态就能加速离开起跑线。

由于VAE和RNN独立于决策控制器，我们需要确保遇到各种各样的观测结果，并且选择不同行动来应对，并将结果保存为训练数据。

要生成随机策略，请从命令行运行以下命令：

python 01_generate_data.py car_racing --total_episodes 2000 –
start_batch 0 --time_steps 300

如果你的服务器没有显示结果，你可以运行以下命令：

xvfb-run -a -s "-screen 0 1400x900x24" python 01_generate_data.py
car_racing --total_episodes 2000 --start_batch 0 --time_steps 300

以上命令将会产生2000个策略，保存在200个批次中，每个批次10个）。

在./data文件夹中，你会看到以下文件（*为批次号）：

• obs_data_*.npy （此文件将64 * 64 * 3图像存储为numpy数组）

• action_data_*.npy （此文件存储三维动作）

第五步：训练VAE

这里我们只需要用obs_data_*.npy就可以训练VAE。确保你已经完成了第四步，否则这个文件不在./data文件夹下。

在命令行中运行下列语句：

python 02_train_vae.py --start_batch 0 --max_batch 9 --new_model

在每一批从0到9的数据中都会训练出一个新的 变分自编码器 VAE。模型的 权重 保存在./vae/weights.h5中。“--new_model” 参数 表明从头开始训练模型。

如果文件夹中已经存在weights.h5，也没有声明“--new_model” 参数 ，脚本将直接导入这个文件中的 权重 ，继续训练现有的模型。这样的话，你就可以实现模型的迭代训练，而不需要对每批数据都重新运行。

VAE架构的相关 参数 都在 ./vae/arch.py文件里声明。

第六步：生成循环神经网络 RNN数据

现在我们就可以利用这个训练好的VAE模型生成RNN模型的训练集。

RNN模型要求把经由VAE编码后的图像数据（z）和动作（a）作为输入，把一个时间步长前的由VAE模型编码后的图像数据作为输出。

运行这行命令可以生成这些数据：

python 03_generate_rnn_data.py --start_batch 0 --max_batch 9

这一步需要把第0至9批的obs_data_*.npy 和 action_data_*.npy文件转成在RNN中训练所需要的格式。

这两组文件保存在./data（*是批量编号）

• rnn_input_*.npy（存储了[z a]串联向量）

• rnn_output_*.npy（存储了前一个时间步长的z向量）

第七步：训练RNN模型

训练RNN只需要用到rnn_input_*.npy和rnn_output_*.npy文件。确认你已经完成了第六步，否则这个文件不在./data文件夹下。

在命令行运行：

python 04_train_rnn.py --start_batch 0 --max_batch 9 --new_model

在每一批从0到9的数据中都会训练出一个新的VAE。模型的 权重 保存在./rnn/weights.h5。“--new_model”表明从头开始训练模型。

和VAE训练很相似的是，如果文件夹中已经存在weights.h5，也没有声明“--new_model”标志，脚本将直接导入文件中的 权重 ，继续训练现有的模型。这样的话，你就可以实现RNN模型的迭代训练，而不需要对每批数据都重新运行。

RNN循环 神经网络 模型的具体 参数 都在./rnn/arch.py文件里声明。

第八步：训练控制器

到了最有趣的部分了！

到目前为止，我们已经使用 深度学习 搭建了VAE模型和RNN模型。VAE能把高维的图片降至低维的隐藏数据，RNN用来预测隐藏空间中数据的时序变化。正因为我们可以对每个模型都采用随机抽取的数据来创建训练集，模型才有可能达到预期效果。

为了训练控制器，我们将采用 强化学习 的方法，它使用了名叫CMA-ES（自适应 协方差矩阵 进化算法）的进化算法。

输入是一个288（32+256）维向量，输出是一个3维向量，因此我们要训练的 参数 有288 * 3 + 1 (bias) = 867个。

CMA-ES算法，首先随机生成867个 参数 （即一个群体）的副本，然后对环境中每个群体成员变量做测试，并记录其平均得分。正如自然选择中的法则一样，产生最高得分的 权重 变量允许其继续“繁殖”，并生出下一代。

运行下列代码将在你的机器上启动这个过程，并为变量选择合适的值。

python 05_train_controller.py car_racing --num_worker 16 –

num_worker_trial 4 --num_episode 16 --max_length 1000 --eval_steps 25

或者在服务器上运行，但不显示结果：

xvfb-run -s "-screen 0 1400x900x24" python 05_train_controller.py 

car_racing --num_worker 16 --num_worker_trial 2 --num_episode 4 –

max_length 1000 --eval_steps 25

--num_worker 16：worker的个数不要超过可用内核的数量

--num_work_trial 2 ：每个worker测试的群体成员的数量（num_worker * num_work_trial表示每一代群体的总规模）

--num_episode 4：为群体的每个成员进行打分的次数（分数将是该次打分的平均得分）

--max_length 1000：一次打分中最大时间步长

--eval_steps 25：每隔25步对 权重 进行评估

默认情况下，控制器每次运行都会从零开始，将进程的当前状态保存到controller目录的pickle文件中。这样你就可以通过指定相关文件，从上一次保存的地方继续训练。

每生成一代后，算法的当前状态和最佳 权重 的集合将会输出到./controller文件夹。

第九步：可视化结果

经过200代的训练，我已经训练出一个平均得分约为833.13的角色。我在谷歌云上使用配置为Ubuntu 16.04, 18 vCPU, 67.5GB RAM的机器，采用的是本文给出的步骤和 参数 。

在论文中，作者试图在2000代训练后达到约906的平均得分，这是迄今为止该环境下的最高分。他利用了稍高的规格设置（例如10,000集训练数据，群体大小设为64，64台核心机器，每次试验16次）。

如果你想可视化控制器的当前状态，那你只需要运行下列代码：

python model.py car_racing –filename
 ./controller/car_racing.cma.4.32.best.json --render_mode –
record_video

--filename：想要添加到控制器的 权重 json的路径

--render_mode ：在屏幕上显示环境

--record_video：输出mp4文件到./video文件夹，展现出每个片段

--final_mode：运行100次控制器测试，输出平均得分

就是这样啦！

第十步：幻觉学习

到这一步已经很了不起了——但下一步则更令人兴奋哦，同时对人工智能未来的发展也很有启发意义。

增加难度，我们可以让赛车在行进过程中避免火球的袭击。

作者展示了角色将怎样实际地学会如何在自己的VAE / RNN模型启发的幻觉梦境中玩游戏，而不是在实际的游戏环境中。

我们唯一需要做出的改变是，训练RNN使其也可以预测出在下一个时间步长中赛车被火球击中的概率。这样，VAE / RNN组合模型可以作为一个独立的环境被封装起来，并用于训练控制器。这就是“世界模式”的概念。

我们将幻觉学习的概念总结如下：

角色的初始训练数据不过是与真实环境的随机互动。通过这一互动，它对世界“如何运作”形成了一种潜在的理解——世界运作的物理规律，以及自己的行为会如何影响世界的状态。

然后，它可以利用这种理解为一个给定的任务建立一个最佳策略，甚至无需在现实环境中进行测试，因为它可以使用自己的一套环境模型作为各种测试的“试验场”。

就像婴儿学走路一样。小婴儿通过自己的探索建立一个初步的世界观，明白自己的动作会带来的后果，然后一步步调整自己的策略。在这一过程中，婴儿甚至能够在脑海中进行自我模拟。

最后，献上这篇论文的动态演示链接：

https://worldmodels.github.io/