[DL Hacks 実装]Playing FPS Games with Deep Reinforcement Learning

DEEP LEARNING JP
[DL Papers]
Fujiki Nakamura
Playing FPS Games with Deep Reinforcement Learning
http://deeplearning.jp/

- 書誌情報
- ViZDoom と Visual Doom AI Competition
- review Deep Q-Networks
- MDP/POMDP
- POMDP における RL agent
- Arnold model
- Experiments, Results, Conclusion
- Bonus
- Learning to Act by Predicting the Future (DFP)
- UNREAL
- RL Framework “Coach”
- References
content
2

- �出� arXiv on 18 Sep 2016．
- AAAI 2017 accepted paper．
- Guillaume Lample, Devendra Singh Chaplot
- CMU �人た�．
- Visual Doom AI Competition 2016 で2位��を収めたモデル．
- チーム Terminators による Arnold という bot．
- Visual Doom AI Competition 2017 で�1位．
書誌情報
3

Visual Doom AI Competition
4
- FPS (First Person Shooting) Game を題�にした強化学習�コン�テ�シ�ン．
- ViZDoom [Kempka+ 2016] というプラットフォームが舞台．
- 参�チーム��自が��した ViZDoom bot を競い合わせる．
- 2016年�コン�で� Terminators チーム Arnold � full deathmatch �� [YouTube]

basic.
�対��に出�する敵を倒す．
横移動と射撃．
Defend the Center.
��にいて，�りに出�する敵を倒す .
回転と射撃．
ViZDoom
5
コン�テ�シ�ン��にもいくつか�シ�リ�が用意されている cf. ViZDoom Homepage
health gathering.
health pack を回収しより長く生き延びる．
��により�定�期で，
また毒薬瓶に触れることで health を失う．

- 方方策策 (policy)
- 状態 s で�行動 a ��び方．π : S ↦ A
- 確率的方策 π(a|s) であることもし�し�．
- 収収益益 (Return)
- を最大化したい．
- �値によって割り引く.
- 行行動動価価値値関関数数 (Q-function)
- 状態 s で行動 a を�び，そ��方策 π に�った�合�期待累積報酬．
Deep Q-Networks (brief review)
6

- 最最適適方方策策 π*
- 期待累積報酬を最大化する方策．
- 最最適適行行動動価価値値関関数数
- Q*(s, a) = Qπ*
(s, a) = maxπ
Qπ
(s, a)
- 最終的に，π(s) = argmaxa
Q*(s, a) として最適方策を得る．
- 最適行動価値 Q* をどうやって求めるか？
- → Bellman 最最適適方方程程式式 (Bellman optimality equation)
- 最適行動価値関数に関する再帰的な関係式．
- 行動価値関数が最適であるため��要��．
7

- 最終的に，以��失関数を最適化する．
- Bellman 最適方程式��と��が�しくなることを��す．
- DQN [Mnih+ 2015] �，以上�強化学習�基本的な�定に�えて，学習をうまく�めるため�
工夫が施されている．
- Experience Replay
- Target Q-Network
- reward clipping
- これら工夫があって�じめて DQN と呼ぶそう．[参考] � p.13．
8
Q ��
= ターゲット

- DQN = Q-function �関数近�に CNN を使い，そ��学習上��な工夫�らした，画像で�
御できる強化学習モデル．
9
�行動� Q値を出力
Mnih et al., 2015

Markov Decision Process
- ママルルココフフ決決定定過過程程 (Markov Decision Process, MDP)
- 環境と agent �インタラクシ�ンを�いた強化学習�問題�定�定式．
- 完全観測 (fully observable)
- 重要な��，��こと��状態��で決まる/決められるということ．
10Reinforcement Learning: An Introduction (Second edition), Sutton et.al.

Markov Decision Process
- [参考] David Silver �生�講義スライ�．ついでに [講義動画]
11

Partially Observable MDP
- agent が環境�状態を完全に観測することができると��らない．
- 完全観測で�なくて，��観測．
- 例え�，以��な例で�，��にかかわら�チーター�状態��化していない
が，��せいで観測��化している．
12
Sergey Levine による講義 CS 294: Deep Reinforcement Learning, Fall 2017 �
Supervised learning and imitation 回�スライ�から��．

Partially Observable MDP
- (例によって) [参考] David Silver �生�講義スライ�
13
st
�も�や直接�観測されない
ot
を代わり受け取る
観測�観測関数Z により決まる

POMDP ��対処
- DQN が得意とする Atari も (よくよく考えれ�) POMDP．
- 以��状態1つで�，Pong や Double Dunk ��ール�速�や Frostbite ��速
��からない．
- DQN で� 4フレームを重�て�ットワークに入力するという�ューリステ�ックな方法で対
処している．
14Hausknecht et al., 2015

- ��フレーム�差�を入力として，速��情報を得る．
- Deep Reinforcement Learning: Pong from Pixels by Andrej Karpathy
- ��モデル�，policy を直接最適化する policy gradient という手法．
- ↔ DQN � Q値を推定する value-based な手法 (policy を��的に��しない)
- Pong をプレイする agent を numpy でスクラッチで書いている．
- チュートリアルとして�価が高い��ですよ�．
POMDP ��対処
15

Deep Recurrent Q-Networks
- DRQN [Hausknecht+ 2015]
- LSTM を使うことで1フレームを
入力としながらも，複数フレーム間
にまたがる情報を統合することが
できる．
- Arnold �基�となるモデル．
16

Arnold model
Game feature augmentation
- 入力画像に映る物体を予測させた (enemy, health pack, weapon, ammo, etc)
- ゲーム��出をさせることでパフォーマンスが��．
- → CNN � kernel が重要な情報を捉える．
17
game feature あり��合パフォーマンスが向上

Arnold model
Divide and conquer
- deathmatch �敵��によって，2つ�フェー�に�けられる．
- action phase : 敵と戦う
- navigation phase : マップを探索し，アイテム・敵を探す
- action network (= DRQN + game feature) が敵��を��．
- 敵がいない or 弾薬がない → navigation network (= DQN)
- それ以外 → action network
19

Training
Reward Shaping
- コン�テ�シ�ン��価�，frag数 (= 敵を殺した数 - 自殺数)
- sparse な�で学習が困難かつ delayed な�で credit assignment も困難．
- 報酬関数を工夫して，小さな即時報酬を導入，学習を高速化．
- action network
➕ 敵を殺す
➖ 自殺
➕ アイテムを拾う (health, weapon, ammo)
➖ health �低� (敵��撃を受ける, ��上を�く)
➖ 撃って弾薬を失う
- navigation network
➕ アイテムを拾う
➖ ��上を�く
少し➕ 最��ステップから�移動��に�じて 20

Training
Frame Skip
- 結果的に 4 frame skip するとよいことがわかった．
- skip ��同じ行動をリ�ート．学習が高速化．
Sequential updates
- 最低でも 4 history を経てから update するようにした．
21
update 数が多いとサンプル��関が高くなり，よくな
い．

Experiments
Scenarios
- deathmatch
- built-in � Doom bot と対戦．
- 最終スコア� frag数 (= 倒した bot 数 - 自殺数)
- Limited deathmatch
- 訓練とテストで同じマップ．
- 武器��ットランチ�ー��．health pack と弾薬を回収できる．
- Full deathmatch
- 訓練とテストで異なるマップ．
- 武器��ストルから�まる．��武器や health pack, 弾薬を回収できる．
- 汎化性能をチェック．
22

Experiments
Evaluation Metrics
- 基本，K/D (倒した数 / 倒された数)
- �にも倒した数��対数，回収したアイテム数など
Results & Analysis
- デモ video
- navigation network があるとよい (Table 2)
- 武器・アイテムを回収することに貢献．
- 人間を outperform (Table 1)
- game feature �予測�あった�うがよい．
- 敵��予測��と最終スコア��関
23

- recurrence を導入して POMDP に対処した DRQN + game feature で強い ViZDoom bot が
できた．
- ViZDoom AI Competition 2016 結果
- [Chaplot+ 2017]
- frag数的に�2位．
- K/D で��を�いている．
- 2017年�コン�で�1位．
Conclusion
24

Bonus
25
- IntelAct [Dosovitskiy+ 2016]
- Arnold ��敵
- 2016年�コン�で2位� Arnold に圧倒的差をつけて優勝．
- (再掲) Visual Doom AI Competition 2016
- DL輪読会で読まれたことがある [link]
- ��に��的な RL で�なく，教師あり学習．
- health, frag, 弾薬数といった “measurements” ��における値を予測．
- supplementary video, deathmatch
- 著者らによる実装 [GitHub] と RL フレームワーク “Coach” で�実装がある．
- UNREAL [Jaderberg+ 2016] [DeepMind Blog]
- 基本的な RL で�わ�かな教師��を�りに学習している．
- よって，大��データが�要 (サンプル効率❌)
- 補助的な教師なしタスクを同時に学習させることで，問題解決．
- Arnold � game feature 予測と同じ役割．

RL Framework “Coach”
- rllab, OpenAI baselines, ChainerRL, tensorforce ��間．2017年10月にリリース.
- OpenAI Gym, Roboschool, ViZDoom ��環境が使える．
- 最近，CARLA という自動運転シミュレータもサポート．
- agent �ライン�ップ�，DQN, PG, A3C, PPO, etc
- DFP もサポートしている�� Coach だけ！
Bonus
26Reinforcement Learning Coach by Intel より引用

Bonus
27
Robotics だからといって何でも RL 使え�いい�か...？ (上��プチ�で��している )
自動運転にどれだけ RL が関係していく�か�，�人的に��．

References
28
- [Kempka+ 2016]
ViZDoom: A Doom-based AI Research Platform for Visual Reinforcement Learning
- [Mnih+ 2015]
Human-level control through deep reinforcement learning
- [Hausknecht+ 2015]
Deep Recurrent Q-Learning for Partially Observable MDPs
- [Chaplot+ 2017]
Arnold: An Autonomous Agent to Play FPS Games
- [Dosovitskiy+ 2016]
Learning to Act by Predicting the Future
- [Jaderberg+ 2016]
Reinforcement Learning with Unsupervised Auxiliary Tasks
- [Dosovitskiy+ 2017]
CARLA: An Open Urban Driving Simulator

[DL Hacks 実装]Playing FPS Games with Deep Reinforcement Learning

More Related Content

What's hot (20)

More from Deep Learning JP (20)

Recently uploaded (10)

[DL Hacks 実装]Playing FPS Games with Deep Reinforcement Learning