0


使用 Python TorchRL 进行多代理强化学习

随着多代理系统的出现,强化学习的复杂性不断增加。为了管理这种复杂性,像 TorchRL 这样的专门工具提供了一个强大的框架,可以开发和实验多代理强化学习(MARL)算法。本文将深入探讨如何使用 TorchRL 解决 MARL 问题,重点关注多代理环境中的近端策略优化(PPO)。

我们将使用 VMAS 模拟器,这是一个多机器人模拟器并且可以在 GPU 上进行并行训练。他的主要目标多个机器人必须导航到各自的目标,同时避免碰撞。

依赖

在开始之前,请确保安装以下依赖项:

  1. !pip3 install torchrl
  2. !pip3 install vmas
  3. !pip3 install tqdm

理解近端策略优化 (PPO)

PPO 是一种策略梯度算法,它迭代地从环境中采样数据,并直接使用这些数据来优化策略。这个过程包括采样和训练两个阶段,数据在收集后立即进行训练更新。这种在线方法确保策略根据与环境最近的交互持续改进。

在线学习

在 PPO 中,学习过程依赖于一个评论家(critic),它评估策略所采取行动的质量。评论家估计给定状态的价值,通过比较预期回报与实际结果来指导策略优化。

在多代理设置中,我们部署多个策略,每个代理一个,通常以分散的方式运作。每个代理的策略仅根据其局部观察来决定其行动。但是评论家可以是集中的或分散的:

  • MAPPO : 评论家是集中的,以全局观察或连接的代理观察作为输入。这种方法在可获得全局状态信息的集中式训练场景中有益。
  • IPPO : 评论家是分散的,仅依赖于局部观察。这种设置支持分散式训练,代理只需要局部信息。

集中式评论家有助于缓解多个代理同时学习时出现的非平稳性问题,但可能因输入的高维度性而面临挑战。

TorchRL

TorchRL是一个基于PyTorch的强化学习(Reinforcement Learning, RL)库,专为研究人员和开发者设计,旨在提供一个灵活、高效的框架来实现和实验各种RL算法。

  1. 与PyTorch深度集成:TorchRL充分利用了PyTorch的生态系统,使用户能够无缝地将RL算法与深度学习模型结合。
  2. 模块化设计:库提供了可组合的组件,允许用户轻松构建和定制RL算法。
  3. 高性能:TorchRL注重效率,支持GPU加速和并行化,以加快训练和推理速度。
  4. 多环境支持:兼容多种RL环境,包括OpenAI Gym、DeepMind Control Suite等。
  5. 丰富的算法实现:内置多种流行的RL算法,如DQN、PPO、SAC等。
  6. 扩展性:易于扩展和添加新的算法、环境和功能。

下面代码我们将使用TorchRL来完成我们的目标

1、设置超参数

我们从定义 MARL 设置的超参数开始。这些参数控制模拟和训练过程的各个方面,如设备类型、批量大小、学习率和 PPO 特定设置。

  1. importtorch
  2. fromtorchimportmultiprocessing
  3. # 设置设备
  4. is_fork=multiprocessing.get_start_method() =="fork"
  5. device=torch.device(0) iftorch.cuda.is_available() andnotis_forkelsetorch.device("cpu")
  6. vmas_device=device # 运行 VMAS 模拟器的设备
  7. # 采样和训练参数
  8. frames_per_batch=6000
  9. n_iters=10
  10. total_frames=frames_per_batch*n_iters
  11. # 训练细节
  12. num_epochs=30
  13. minibatch_size=400
  14. lr=3e-4
  15. max_grad_norm=1.0
  16. # PPO 参数
  17. clip_epsilon=0.2
  18. gamma=0.99
  19. lmbda=0.9
  20. entropy_eps=1e-4

2、创建环境

TorchRL 与 VMAS 的集成允许我们高效地创建和管理多代理环境。在我们环境中多个代理必须在 LIDAR 传感器的引导下导航到各自的目标,同时避免碰撞。

  1. fromtorchrl.envs.libs.vmasimportVmasEnv
  2. max_steps=100
  3. num_vmas_envs=frames_per_batch//max_steps
  4. scenario_name="navigation"
  5. n_agents=3
  6. env=VmasEnv(
  7. scenario=scenario_name,
  8. num_envs=num_vmas_envs,
  9. continuous_actions=True,
  10. max_steps=max_steps,
  11. device=vmas_device,
  12. n_agents=n_agents,
  13. )

3、策略设计

策略网络在 PPO 中至关重要,它负责根据代理观察生成动作。鉴于环境中的连续动作空间,我们将使用 Tanh-Normal 分布来模拟动作,这样还可以决定是否在代理之间共享参数,在计算效率和行为多样性之间权衡。

  1. fromtorch.nnimportSequential, Tanh
  2. fromtensordict.nnimportTensorDictModule
  3. fromtorchrl.modulesimportMultiAgentMLP, ProbabilisticActor, TanhNormal
  4. fromtensordict.nn.distributionsimportNormalParamExtractor
  5. share_parameters_policy=True
  6. # 定义策略网络
  7. policy_net=Sequential(
  8. MultiAgentMLP(
  9. n_agent_inputs=env.observation_spec["agents", "observation"].shape[-1],
  10. n_agent_outputs=2*env.action_spec.shape[-1],
  11. n_agents=env.n_agents,
  12. centralised=False,
  13. share_params=share_parameters_policy,
  14. device=device,
  15. depth=2,
  16. num_cells=256,
  17. activation_class=Tanh,
  18. ),
  19. NormalParamExtractor(),
  20. )
  21. # 将网络包装在 TensorDictModule 中
  22. policy_module=TensorDictModule(
  23. policy_net,
  24. in_keys=[("agents", "observation")],
  25. out_keys=[("agents", "loc"), ("agents", "scale")],
  26. )
  27. # 创建概率性行动者
  28. policy=ProbabilisticActor(
  29. module=policy_module,
  30. spec=env.unbatched_action_spec,
  31. in_keys=[("agents", "loc"), ("agents", "scale")],
  32. out_keys=[env.action_key],
  33. distribution_class=TanhNormal,
  34. distribution_kwargs={
  35. "low": env.unbatched_action_spec[env.action_key].space.low,
  36. "high": env.unbatched_action_spec[env.action_key].space.high,
  37. },
  38. return_log_prob=True,
  39. log_prob_key=("agents", "sample_log_prob"),
  40. )

4、评论家网络设计

评论家网络评估状态值,指导策略更新。可以根据使用 MAPPO 还是 IPPO 来选择集中式或分散式评论家。在代理之间共享参数可以加速训练,但是可能导致同质化策略。

  1. share_parameters_critic=True
  2. mappo=True # 设置为 False 以使用 IPPO
  3. critic_net=MultiAgentMLP(
  4. n_agent_inputs=env.observation_spec["agents", "observation"].shape[-1],
  5. n_agent_outputs=1,
  6. n_agents=env.n_agents,
  7. centralised=mappo,
  8. share_params=share_parameters_critic,
  9. device=device,
  10. depth=2,
  11. num_cells=256,
  12. activation_class=Tanh,
  13. )
  14. critic=TensorDictModule(
  15. module=critic_net,
  16. in_keys=[("agents", "observation")],
  17. out_keys=[("agents", "state_value")],
  18. )

5、数据收集

TorchRL 中的数据收集通过设计用于自动处理环境重置、动作计算和环境步进的类得到简化。所以我们可以直接使用

  1. SyncDataCollector

来收集训练数据。

  1. fromtorchrl.collectorsimportSyncDataCollector
  2. collector=SyncDataCollector(
  3. env,
  4. policy,
  5. device=vmas_device,
  6. storing_device=device,
  7. frames_per_batch=frames_per_batch,
  8. total_frames=total_frames,
  9. )

6、训练循环

训练循环将环境、策略、评论家和数据收集器结合在一起,通过采样和训练阶段的迭代来优化代理的性能。

  1. fromtorchrl.data.replay_buffersimportReplayBuffer
  2. fromtorchrl.data.replay_buffers.samplersimportSamplerWithoutReplacement
  3. fromtorchrl.data.replay_buffers.storagesimportLazyTensorStorage
  4. fromtorchrl.objectivesimportClipPPOLoss, ValueEstimators
  5. fromtqdmimporttqdm
  6. # 重放缓冲区设置
  7. replay_buffer=ReplayBuffer(
  8. storage=LazyTensorStorage(
  9. size=frames_per_batch,
  10. device=device,
  11. ),
  12. sampler=SamplerWithoutReplacement(),
  13. )
  14. # PPO 损失设置
  15. ppo_loss=ClipPPOLoss(
  16. actor=policy,
  17. critic=critic,
  18. clip_epsilon=clip_epsilon,
  19. entropy_bonus=entropy_eps,
  20. value_loss_coef=0.5,
  21. gamma=gamma,
  22. lam=lmbda,
  23. advantage_normalization=True,
  24. )
  25. # 训练循环
  26. foriintqdm(range(n_iters)):
  27. batch=collector.next()
  28. replay_buffer.extend(batch)
  29. for_inrange(num_epochs):
  30. forminibatchinreplay_buffer.sample(minibatch_size):
  31. loss=ppo_loss(minibatch)
  32. loss.backward()
  33. torch.nn.utils.clip_grad_norm_(ppo_loss.parameters(), max_grad_norm)
  34. optimizer.step()
  35. optimizer.zero_grad()

这样我们完整的代码就完成了,可以看到通过TorchRL,可以减少我们很多的代码开发工作。

总结

本文提供了使用 TorchRL 和 PPO 实现 MARL 解决方案的全面指南。通过这些步骤,可以在多代理环境中训练代理以导航复杂任务,同时利用 GPU 加速模拟和并行计算的力量。无论选择集中式还是分散式评论家,TorchRL 都提供了设计和实验不同 MARL 架构,可以帮助你解决多代理强化学习的复杂性。

作者:Abish Pius

“使用 Python TorchRL 进行多代理强化学习”的评论:

还没有评论