多智能體對抗作為決策AI中重要的部分，也是強化學習領域的難題之一。

為豐富多智能體對抗環境，OpenDILab（開源決策智能平臺）開源了一款趣味多智能體對抗競技游戲環境——Go-Bigger。同時，Go-Bigger還可作為強化學習環境協助多智能體決策AI研究。

與風靡全球的agar.io、球球大作戰等游戲類似，在Go-Bigger中，玩家（AI）控制地圖中的一個或多個圓形球，通過吃食物球和其他比玩家球小的單位來盡可能獲得更多重量，并需避免被更大的球吃掉。每個玩家開始僅有一個球，當球達到足夠大時，玩家可使其分裂、吐孢子或融合，和同伴完美配合來輸出博弈策略，并通過AI技術來操控智能體由小到大地進化，憑借對團隊中多智能體的策略控制來吃掉盡可能多的敵人，從而讓己方變得更強大并獲得最終勝利。

Go-Bigger游戲環境演示圖

DI

四類小球，挑戰不同決策路徑

Go-Bigger采用Free For All（FFA）模式來進行比賽。比賽開始時，每個玩家僅有一個初始球。通過移動該球，玩家可吃掉地圖上的其他單位來獲取更大的重量。每個隊伍都需和其他所有隊伍進行對抗，每局比賽持續十分鐘。比賽結束后，以每個隊伍最終獲得的重量來進行排名。

在一局比賽中共有分身球、孢子球、食物球、荊棘球四類球。

分身球是玩家在游戲中控制移動或者技能釋放的球，可以通過覆蓋其他球的中心點來吃掉比自己小的球。

孢子球由玩家的分身球發射產生，會留在地圖上且可被其他玩家吃掉。

食物球是游戲中的中立資源，其數量會保持動態平衡。如玩家的分身球吃了一個食物球，食物球的重量將被傳遞到分身球。

荊棘球也是游戲中的中立資源，其尺寸更大、數量更少。如玩家的分身球吃了一個荊棘球，荊棘球的大小將被傳遞到分身球，同時分身球會爆炸并分裂成多個分身。此外，荊棘球可通過吃掉孢子球而被玩家移動。

分身球

孢子球

食物球

荊棘球（尖刺）

DI

團隊緊密配合，實現合理重量傳遞

在Go-Bigger中，團隊內部的合作和外部的競技對于最終的成績至關重要。因此，Go-Bigger設計了一系列的規則來提高團隊所能帶來的收益。由于玩家的分身球重量越小，移動速度越快，更多的分身可以保證快速發育，但是會面臨被其他玩家吃掉的風險。同時，冷卻期的存在使得玩家無法靠自身擺脫這樣的風險。因此，同一隊伍中不同玩家的配合尤為關鍵。

為便于團隊內玩家的配合，Go-Bigger設置了玩家無法被同隊伍完全吃掉的規則。Go-Bigger還設置了單個分身球的重量上限和重量衰減，使得單一分身球無法保持過大重量，迫使其分裂以減少重量損失。在游戲后期，團隊內部的重量傳遞會顯得至關重要，合理的重量傳遞可以保證團隊在與其他隊伍對抗時獲得更大的優勢。

DI

支持RL環境，提供三種交互模式

此外，為幫助用戶在強化學習領域的多智能體策略學習，Go-Bigger也提供了符合gym.Env標準的接口供其使用。在一局游戲中，Go-Bigger默認設置含有20個狀態幀和5個動作幀。每個狀態幀都會對當前地圖內所有單位進行仿真和狀態處理，而動作幀會在此基礎上，附加對單位的動作控制，即改變單位的速度、方向等屬性，或使單位啟用分裂、發射或停止等技能。

為了更方便地對環境進行探索，Go-Bigger還提供了必要的可視化工具。在與環境進行交互的時候，可以直接保存本局包含全局視角及各個玩家視角的錄像。此外，Go-Bigger提供了單人全局視野、雙人全局視野、單人局部視野三種人機交互模式，使得用戶可以快速了解環境規則。

可視化演示

DI

三步走，快速搭建強化學習baseline

算法baseline的目的是驗證某個問題環境使用強化學習算法的初步效果，對各個環節的信息做簡單梳理和分析，熟悉之后便可輕松上手比賽，在環境、算法、算力上逐步增加復雜度，設計迭代效果更強的智能體。

Go-Bigger環境的強化學習算法baseline主要分為環境瘦身、基礎算法選擇、定制訓練流程三部分。其中，環境瘦身即將原始游戲環境簡化成適用于強化學習的標準環境格式；基礎算法選擇指根據環境的基本信息選擇合理的基礎RL算法；定制訓練流程指根據環境的特殊特征定制訓練流程。

步驟1:環境瘦身

a.人類視角的Go-Bigger V.S. 翻譯成游戲引擎中的結構化信息

人類視角的Go-Bigger

游戲引擎中的結構化信息

這些人理解起來很簡單的數據表示，對計算機和神經網絡卻非常不友好，因此需要專門對這些信息做一定的加工，并根據強化學習的特性設置成標準的強化學習環境觀察空間。

（1）特征工程：

• 原始的游戲數據需要表達游戲內容，其數值范圍波動便會較大（比如從幾十到幾萬的球體大小），直接將這樣的信息輸入給神經網絡會造成訓練的不穩定，所以需要根據信息的具體特征進行一定的處理（比如歸一化，離散化，取對數坐標等等）。

• 對于類別信息等特征，不能直接用原始的數值作為輸入，常見的做法是將這樣的信息進行獨熱編碼，映射到一個兩兩之間距離相等的表示空間。

獨熱編碼示意圖

• 對于坐標等信息，使用絕對坐標會帶來一些映射關系的不一致問題，相對坐標通常是更好的解決方式。

相對坐標示意圖

（2）從RGB圖像到特征圖像層：

直接將原始的RGB 2D圖像信息輸入神經網絡，盡管結果尚可，但需要更多的數據、更長的訓練時間，以及更復雜的訓練技巧。更為簡明并有效的方式是進行“升維”，即將耦合在一起的圖像信息離解成多個分離的特征圖像層。最終根據游戲內容定義出具體的特征圖像層，并區分各個玩家的局部視野，拼接后構成總體的特征圖像層。下圖為一玩家視野中食物球的特征圖像層：

食物球的特征圖像層示意圖

（3）可變維度：

Go-Bigger環境中存在很多可變維度的地方，為了簡化，baseline環境中強行截斷了單位數量，用統一的方式來規避可變維度問題。

b.設計動作空間

Go-Bigger對于人類來說操作起來十分簡單，包括上下左右QWE，這些基本的按鍵組合起來便可以誕生出許多有趣的操作，如十面埋伏、大快朵頤等。但是，游戲引擎中實際的動作空間是這樣的（動作類型 + 動作參數）：

游戲引擎動作空間

游戲引擎的這種形式在強化學習中被稱作混合動作空間，也有相應的算法來處理該問題。但基于baseline一切從簡這一核心，通過使用比較簡單粗暴的離散化處理，將連續的動作參數（x，y坐標）離散化為上下左右四個方向。針對動作類型和動作參數的組合，也簡單使用二者的笛卡爾積來表示，最終將環境定義為一個16維的離散動作空間。

離散動作空間算法示意圖

c.設計獎勵函數

獎勵函數定義了強化學習優化的目標方向。Go-Bigger是一項關于比誰的隊伍更大的對抗游戲，因此獎勵函數的定義也非常簡單，即相鄰兩幀整個隊伍的大小之差。

如下圖所示兩張表示相鄰兩個動作幀，右側計分板顯示各個隊伍實時的大小數值，將當前幀的大小減去上一幀的大小，就定義得到了獎勵值。而對于整場比賽，則使用每一步獎勵的累加和作為最終的評價值。評價值最大的隊伍，將贏得本局比賽。此外，在訓練時，還通過縮放和截斷等手段將獎勵值限制在[-1, 1]范圍內。

環境獎勵的幀間變化示意圖

步驟2:基礎算法選擇

在完成對RL環境的魔改之后，會呈現如下基本信息：

• 多模態觀察空間：圖像信息 + 單位屬性信息 + 全局信息

• 離散動作空間：16維離散動作

• 獎勵函數：稠密的獎勵函數，且取值已經處理到[-1, 1]

• 終止狀態：并無真正意義上的終止狀態，僅限制比賽的最長時間

對于這樣的環境，可用最經典的DQN算法 + 多模態編碼器神經網絡來實現。對于各種模態的觀察信息，使用數據對應的經典神經網絡架構即可。例如，對于圖像信息，選擇一個帶降采樣的卷積神經網絡將2D圖像編碼為特征向量；對于單位屬性信息，需要建模各個單位之間的聯系，獲得最終的單位特征向量；對于全局信息，則使用由全連接層構成的多層感知機。

在各部分編碼完成之后，將三部分的特征拼接在一起，將構成時間步的觀察特征向量，以復用最經典的Dueling DQN結構。以特征向量為輸入，輸出這一步選擇16個動作的Q值，并使用N-step TD損失函數即可完成相應訓練的優化。完整的神經網絡結構如下圖所示。

神經網絡結構示意圖?

步驟3:定制訓練流程

DQN通常只用來解決單智能體的問題，而在Go-Bigger中一支隊伍會存在多個玩家，且一局比賽為多個隊伍混戰，因此會涉及多智能體之間合作和對抗等問題。在多智能體強化學習領域，針對該問題可展開諸多的研究方向，但為簡化設計Go-Bigger使用了Independent Q-Learning （IQL）+ 自我對戰（Self-Play）的方式來實現訓練流程。

簡化設計示意圖

例如，對于一個隊伍中的多個智能體，團隊的最終目標是讓整個隊伍（總體積/總體量/總重量）的大小最大，因此在baseline中可使用IQL算法來實現，以高度并行化地實現整個優化過程；對于實際一局比賽中存在多個智能體的情況，則可使用樸素的自我對戰（Self-Play）這一相當簡單且非常節省算力的方式來參與比賽。評測時，會將隨機機器人和基于規則的機器人作為比賽的對手，測試驗證目前智能體的性能。

Tips：

• 使用更高級的自我對戰（Self-Play）算法（比如保存智能體的中間歷史版本，或使用PFSP算法）

• 構建League Training流程，不同隊伍使用不同的策略，不斷進化博弈

• 設計基于規則的輔助機器人參與到訓練中，幫助智能體發現弱點，學習新技能，可作為預訓練的標簽或League Training中的對手，也可構造蒸餾訓練方法的老師，請玩家盡情腦洞
  

從零開始實現上述算法和訓練流程非常復雜，而通過決策智能框架DI-engine可大大簡化相應內容。

DI-engine：

https://github.com/opendilab/DI-engine

其內部已經集成了支持多智能體的DQN算法實現和一系列相關訣竅，以及玩家自我對戰和對抗機器人的訓練組件，只需實現相應的環境封裝，神經網絡模型和訓練主函數即可。

詳細代碼參考：

https://github.com/opendilab/GoBigger-Challenge-2021/tree/main/di_baseline?

#?幾個有意思的發現

通過上述簡單基線算法訓練出來的初級AI在發育階段會將球盡量分開，以增大接觸面加快發育；在面對潛在的危險時，會避開比自身大的球，并使用分裂技能加快移動速度，防止被吃掉。這些操作都是在人類玩家的游戲過程中經常用到的小技巧。

為了進一步推動決策智能相關領域的技術人才培養，打造全球領先的原創決策AI開源技術生態OpenDILab（開源決策智能平臺）將發起首屆Go-Bigger多智能體決策AI挑戰賽。

比賽英文名稱：Go-Bigger: Multi-Agent Decision Intelligence Challenge

本次比賽將于2021年11月正式啟動，使用由OpenDILab開源的Go-Bigger游戲環境。

Go-Bigger游戲環境：

https://github.com/opendilab/GoBigger

OpenDILab希望集結全球技術開發者和在校學生，共同探索多智能體博弈的研究。歡迎對AI技術抱有濃厚興趣的選手踴躍參加，和全球的頂尖高手一決勝負！

掃碼即可了解更多開源信息～

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的五分钟教你在Go-Bigger中设计自己的游戏AI智能体的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。