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:

 !pip3 install torchrl  !pip3 install vmas  !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。

 importtorch  fromtorchimportmultiprocessing  # 设置设备  is_fork=multiprocessing.get_start_method() =="fork"  device=torch.device(0) iftorch.cuda.is_available() andnotis_forkelsetorch.device("cpu")  vmas_device=device  # 运行 VMAS 模拟器的设备  # 采样和训练参数  frames_per_batch=6000    n_iters=10    total_frames=frames_per_batch*n_iters  # 训练细节  num_epochs=30    minibatch_size=400    lr=3e-4    max_grad_norm=1.0    # PPO 参数  clip_epsilon=0.2    gamma=0.99    lmbda=0.9    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。

 fromtorchrl.envs.libs.vmasimportVmasEnv  max_steps=100    num_vmas_envs=frames_per_batch//max_steps    scenario_name="navigation"  n_agents=3  env=VmasEnv(  scenario=scenario_name,  num_envs=num_vmas_envs,  continuous_actions=True,  max_steps=max_steps,  device=vmas_device,  n_agents=n_agents,  )

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。

 fromtorch.nnimportSequential, Tanh  fromtensordict.nnimportTensorDictModule  fromtorchrl.modulesimportMultiAgentMLP, ProbabilisticActor, TanhNormal  fromtensordict.nn.distributionsimportNormalParamExtractor  share_parameters_policy=True  # 定义策略网络  policy_net=Sequential(  MultiAgentMLP(  n_agent_inputs=env.observation_spec["agents", "observation"].shape[-1],  n_agent_outputs=2*env.action_spec.shape[-1],  n_agents=env.n_agents,  centralised=False,  share_params=share_parameters_policy,  device=device,  depth=2,  num_cells=256,  activation_class=Tanh,  ),  NormalParamExtractor(),  )  # 将网络包装在 TensorDictModule 中  policy_module=TensorDictModule(  policy_net,  in_keys=[("agents", "observation")],  out_keys=[("agents", "loc"), ("agents", "scale")],  )  # 创建概率性行动者  policy=ProbabilisticActor(  module=policy_module,  spec=env.unbatched_action_spec,  in_keys=[("agents", "loc"), ("agents", "scale")],  out_keys=[env.action_key],  distribution_class=TanhNormal,  distribution_kwargs={  "low": env.unbatched_action_spec[env.action_key].space.low,  "high": env.unbatched_action_spec[env.action_key].space.high,  },  return_log_prob=True,  log_prob_key=("agents", "sample_log_prob"),  )

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。

 share_parameters_critic=True  mappo=True  # 设置为 False 以使用 IPPO  critic_net=MultiAgentMLP(  n_agent_inputs=env.observation_spec["agents", "observation"].shape[-1],  n_agent_outputs=1,    n_agents=env.n_agents,  centralised=mappo,  share_params=share_parameters_critic,  device=device,  depth=2,  num_cells=256,  activation_class=Tanh,  )  critic=TensorDictModule(  module=critic_net,  in_keys=[("agents", "observation")],  out_keys=[("agents", "state_value")],  )

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

SyncDataCollector

来收集训练数据。

 fromtorchrl.collectorsimportSyncDataCollector  collector=SyncDataCollector(  env,  policy,  device=vmas_device,  storing_device=device,  frames_per_batch=frames_per_batch,  total_frames=total_frames,  )

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。

 fromtorchrl.data.replay_buffersimportReplayBuffer  fromtorchrl.data.replay_buffers.samplersimportSamplerWithoutReplacement  fromtorchrl.data.replay_buffers.storagesimportLazyTensorStorage  fromtorchrl.objectivesimportClipPPOLoss, ValueEstimators  fromtqdmimporttqdm  # 重放缓冲区设置  replay_buffer=ReplayBuffer(  storage=LazyTensorStorage(  size=frames_per_batch,  device=device,  ),  sampler=SamplerWithoutReplacement(),  )  # PPO 损失设置  ppo_loss=ClipPPOLoss(  actor=policy,  critic=critic,  clip_epsilon=clip_epsilon,  entropy_bonus=entropy_eps,  value_loss_coef=0.5,  gamma=gamma,  lam=lmbda,  advantage_normalization=True,  )  # 训练循环  foriintqdm(range(n_iters)):  batch=collector.next()  replay_buffer.extend(batch)  for_inrange(num_epochs):  forminibatchinreplay_buffer.sample(minibatch_size):  loss=ppo_loss(minibatch)  loss.backward()  torch.nn.utils.clip_grad_norm_(ppo_loss.parameters(), max_grad_norm)  optimizer.step()  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。

https://avoid.overfit.cn/post/37999439e6a4405f9f6d1f1f796af572

作者：Abish Pius