强化学习训练机器人2 Unity3D环境

前言：

       之前在Unity3D中尝试训练四足机器人学习奔跑前进，只是做了简单的尝试。在19年的寒假里由于要写论文，所以基于强化学习提出一种分层学习算法，实现四足机器人在腿瘸后仍可以继续向前运动。这种是一种比较简单的，所以也就只发表在国内的核心期刊上面。这也是我第一次写论文。个人感觉还是相比国内许多论文来讲，我的更加有价值些。这里为大家介绍四足机器的案例。

                 

以上是多只狗训练的截图，具体视频点击这里 视频1 视频2

    首先在Unity3D中构建机器人，说到这里问题就是为什么选择Unity3D，那是因为我选择了半天也不知道那种开发更加快一些。由于我在国外的一些论文中看到，很多学者使用游戏环境来训练自己的机器人，试想下，机器人自主学习不就需要一个虚拟的环境吗？然而，我在投稿时，专家给的评论是，很少见到使用Unity3D来进行机器人仿真。我真的想说，国内没有人使用，难道就意味着不行？在国外刚开始使用Unity3D训练智能体的时候，我可是国内比较先得开拓者。现在DeepMind都在和Unity3D合作。或许是别人不相信我这个弱弱的本科生吧。

     在Unity3D中构建机器人并不是件很困难的事情，主要还是使用HingeJoint组件加上一些控制脚本就可以完成，这方面很容易可以自己进行自我探索得到。

     训练得主要算法还是基于PPO算法。其实对于强化学习来讲具体算法成熟后，真正有意思得是如何将具体的任务结合到相关算法，由于时间比较紧迫，所以我没有在具体核心算法上进行优化和创新。

     这里的任务就很简单，说白了就是机器人自我向前运动这个目标。我之前看到国外OpenDog得老哥使用PPO算法训练四足机器人，道理和我这个一样。但是从视频中得效果来讲并不是很好，机器人总是摔倒什么的。迭代了很多次都不行。这点是非常正常的，本来维度就很高，机器人一直摔倒（这里指的是三维空间，不是二维空间的那种简单训练），是无法找到比较好的策略进行前进的。所以，本质上就是需要让机器人尽可能的去试探到具有较高奖励的行为，所以还是需要一定的辅助机制，这就像小孩刚开始学习自行车时总是摔倒，大人扶一下能让小孩更快体会到那种保持平衡的感觉，然而过渡帮扶则有是不可取的。我在论文中提的具体方法就是一定程度上限制自由度，在一定范围内（刚开始）。这点取得了比较好的效果。

    训练机器人由于受到了硬件的限制，我是在CPU上进行训练。共有三个机器人进行训练，由于控制频率只有3Hz多，所以可以进行分时进行训练，每次以一定概率挑选奖励最好的batch进行训练。这里没有用A3C是嫌部署很麻烦，哈哈哈，我也是懒的。

很多小伙伴认为控制频率很低怎么跑，其实底层有自己的速度及位置控制器，神经网络只是给与一个目标而已，所以可以在低频率下实现控制。有很多的控制方面的都是要求计算机实现高频控制，精度和频率都要求极高，感觉这有点过于机械了。在以生物的角度来讲，真的自然界中生物行为控制频率和精度可以达到超高吗？实际我想则不是这样的。另外机器人关节运动范围进行了限制，在我实现的机器人具体限制如下：

                                    

    由于不能加速，所以训练的时间还是需要几个小时的。总的来说，从视频中都可以看出，训练的显著效果，快速奔跑甚至跳跃并且能自主的调节姿态。以下是奖励值迭代的曲线。其中包括了机器人瘸腿后训练前进的效果。还是正常运动能更早表现出比较强的前进能力。

                                              

这里向大家介绍初代机器人训练 这里

    另外现在，我也在逐渐放弃Unity3D的训练环境，是因为前段时间Webots2019开源后收到了大家的广泛关注。但是综合的教程很少可能大家都不怎么在使用这个软件吧！通过自学，我在这个平台上重新实现了四足机器人自平衡算法等。webots最好的就是直接支持python,简直棒棒哒，这样机器学习训练机器人就极其方便。另外，还可以进行训练加速，有些公司在上面进行无人驾驶的模拟，简直不能再好！

  以下是在webots上实现自平衡算法的一个机器人，脚部有用力传感器。