一、安装环境
gym是用于开发和比较强化学习算法的工具包,在python中安装gym库和其中子场景都较为简便。
安装gym:
pip install gym
安装自动驾驶模块,这里使用Edouard Leurent发布在github上的包highway-env(原链接):
pip install --user git+https://github.com/eleurent/highway-env
其中包含6个场景:
- 高速公路——“highway-v0”
- 汇入——“merge-v0”
- 环岛——“roundabout-v0”
- 泊车——“parking-v0”
- 十字路口——“intersection-v0”
- 赛车道——“racetrack-v0”
详细文档可以参考这里。
二、配置环境
安装好后即可在代码中进行实验(以高速公路场景为例):
import gym
import highway_env
%matplotlib inline
env = gym.make('highway-v0')
env.reset()
for _ in range(3):
action = env.action_type.actions_indexes["IDLE"]
obs, reward, done, info = env.step(action)
env.render()
运行后会在模拟器中生成如下场景:
env类有很多参数可以配置,具体可以参考原文档。
三、训练模型
1、数据处理
(1)state
highway-env包中没有定义传感器,车辆所有的state (observations) 都从底层代码读取,节省了许多前期的工作量。根据文档介绍,state (ovservations) 有三种输出方式:Kinematics,Grayscale Image和Occupancy grid。
Kinematics
输出V*F的矩阵,V代表需要观测的车辆数量(包括ego vehicle本身),F代表需要统计的特征数量。
例:
Vehicle | x | y | v_x | v_y |
---|---|---|---|---|
ego-vehicle | 5.0 | 4.0 | 15.0 | 0 |
vehicle1 | -10.0 | 4.0 | 12.0 | 0 |
vehicle2 | 13.0 | 8.0 | 13.5 | 0 |
数据生成时会默认归一化,取值范围:[100, 100, 20, 20],也可以设置ego vehicle以外的车辆属性是地图的绝对坐标还是对ego vehicle的相对坐标。
在定义环境时需要对特征的参数进行设定:
config = \
{
"observation":
{
"type": "Kinematics",
#选取5辆车进行观察(包括ego vehicle)
"vehicles_count": 5,
#共7个特征
"features": ["presence", "x", "y", "vx", "vy", "cos_h", "sin_h"],
"features_range":
{
"x": [-100, 100],
"y": [-100, 100],
"vx": [-20, 20],
"vy": [-20, 20]
},
"absolute": False,
"order": "sorted"
},
"simulation_frequency": 8, # [Hz]
"policy_frequency": 2, # [Hz]
}
Grayscale Image
生成一张W*H的灰度图像,W代表图像宽度,H代表图像高度
Occupancy grid
生成一个WHF的三维矩阵,用W*H的表格表示ego vehicle周围的车辆情况,每个格子包含F个特征。
(2) action
highway-env包中的action分为连续和离散两种。连续型action可以直接定义throttle和steering angle的值,离散型包含5个meta actions:
ACTIONS_ALL = {
0: 'LANE_LEFT',
1: 'IDLE',
2: 'LANE_RIGHT',
3: 'FASTER',
4: 'SLOWER'
}
(3) reward
highway-env包中除了泊车场景外都采用同一个reward function:
R
(
s
,
a
)
=
a
v
−
v
m
i
n
v
m
a
x
−
v
m
i
n
−
b
c
o
l
l
i
s
i
o
n
R(s,a) = a\cfrac{v-v_{min}}{v_{max}-v_{min}}-b\mathrm{collision}
R(s,a)=avmax−vminv−vmin−bcollision
这个function只能在其源码中更改,在外层只能调整权重。
(泊车场景的reward function原文档里有,懒得打公式了……)
2、搭建模型
DQN网络的结构和搭建过程已经在我另一篇文章中讨论过,所以这里不再详细解释。我采用第一种state表示方式——Kinematics进行示范。
由于state数据量较小(5辆车*7个特征),可以不考虑使用CNN,直接把二维数据的size[5,7]转成[1,35]即可,模型的输入就是35,输出是离散action数量,共5个。
import torch
import torch.nn as nn
from torch.autograd import Variable
import torch.nn.functional as F
import torch.optim as optim
import torchvision.transforms as T
from torch import FloatTensor, LongTensor, ByteTensor
from collections import namedtuple
import random
Tensor = FloatTensor
EPSILON = 0 # epsilon used for epsilon greedy approach
GAMMA = 0.9
TARGET_NETWORK_REPLACE_FREQ = 40 # How frequently target netowrk updates
MEMORY_CAPACITY = 100
BATCH_SIZE = 80
LR = 0.01 # learning rate
class DQNNet(nn.Module):
def __init__(self):
super(DQNNet,self).__init__()
self.linear1 = nn.Linear(35,35)
self.linear2 = nn.Linear(35,5)
def forward(self,s):
s=torch.FloatTensor(s)
s = s.view(s.size(0),1,35)
s = self.linear1(s)
s = self.linear2(s)
return s
class DQN(object):
def __init__(self):
self.net,self.target_net = DQNNet(),DQNNet()
self.learn_step_counter = 0
self.memory = []
self.position = 0
self.capacity = MEMORY_CAPACITY
self.optimizer = torch.optim.Adam(self.net.parameters(), lr=LR)
self.loss_func = nn.MSELoss()
def choose_action(self,s,e):
x=np.expand_dims(s, axis=0)
if np.random.uniform() < 1-e:
actions_value = self.net.forward(x)
action = torch.max(actions_value,-1)[1].data.numpy()
action = action.max()
else:
action = np.random.randint(0, 5)
return action
def push_memory(self, s, a, r, s_):
if len(self.memory) < self.capacity:
self.memory.append(None)
self.memory[self.position] = Transition(torch.unsqueeze(torch.FloatTensor(s), 0),torch.unsqueeze(torch.FloatTensor(s_), 0),\
torch.from_numpy(np.array([a])),torch.from_numpy(np.array([r],dtype='float32')))#
self.position = (self.position + 1) % self.capacity
def get_sample(self,batch_size):
sample = random.sample(self.memory,batch_size)
return sample
def learn(self):
if self.learn_step_counter % TARGET_NETWORK_REPLACE_FREQ == 0:
self.target_net.load_state_dict(self.net.state_dict())
self.learn_step_counter += 1
transitions = self.get_sample(BATCH_SIZE)
batch = Transition(*zip(*transitions))
b_s = Variable(torch.cat(batch.state))
b_s_ = Variable(torch.cat(batch.next_state))
b_a = Variable(torch.cat(batch.action))
b_r = Variable(torch.cat(batch.reward))
q_eval = self.net.forward(b_s).squeeze(1).gather(1,b_a.unsqueeze(1).to(torch.int64))
q_next = self.target_net.forward(b_s_).detach() #
q_target = b_r + GAMMA * q_next.squeeze(1).max(1)[0].view(BATCH_SIZE, 1).t()
loss = self.loss_func(q_eval, q_target.t())
self.optimizer.zero_grad() # reset the gradient to zero
loss.backward()
self.optimizer.step() # execute back propagation for one step
return loss
Transition = namedtuple('Transition',('state', 'next_state','action', 'reward'))
3、运行结果
各个部分都完成之后就可以组合在一起训练模型了,流程和用CARLA差不多,就不细说了。
初始化环境(DQN的类加进去就行了):
import gym
import highway_env
from matplotlib import pyplot as plt
import numpy as np
import time
config = \
{
"observation":
{
"type": "Kinematics",
"vehicles_count": 5,
"features": ["presence", "x", "y", "vx", "vy", "cos_h", "sin_h"],
"features_range":
{
"x": [-100, 100],
"y": [-100, 100],
"vx": [-20, 20],
"vy": [-20, 20]
},
"absolute": False,
"order": "sorted"
},
"simulation_frequency": 8, # [Hz]
"policy_frequency": 2, # [Hz]
}
env = gym.make("highway-v0")
env.configure(config)
训练模型:
dqn=DQN()
count=0
reward=[]
avg_reward=0
all_reward=[]
time_=[]
all_time=[]
collision_his=[]
all_collision=[]
while True:
done = False
start_time=time.time()
s = env.reset()
while not done:
e = np.exp(-count/300) #随机选择action的概率,随着训练次数增多逐渐降低
a = dqn.choose_action(s,e)
s_, r, done, info = env.step(a)
env.render()
dqn.push_memory(s, a, r, s_)
if ((dqn.position !=0)&(dqn.position % 99==0)):
loss_=dqn.learn()
count+=1
print('trained times:',count)
if (count%40==0):
avg_reward=np.mean(reward)
avg_time=np.mean(time_)
collision_rate=np.mean(collision_his)
all_reward.append(avg_reward)
all_time.append(avg_time)
all_collision.append(collision_rate)
plt.plot(all_reward)
plt.show()
plt.plot(all_time)
plt.show()
plt.plot(all_collision)
plt.show()
reward=[]
time_=[]
collision_his=[]
s = s_
reward.append(r)
end_time=time.time()
episode_time=end_time-start_time
time_.append(episode_time)
is_collision=1 if info['crashed']==True else 0
collision_his.append(is_collision)
我在代码中添加了一些画图的函数,在运行过程中就可以掌握一些关键的指标,每训练40次统计一次平均值。
平均碰撞发生率:
epoch平均时长(s):
平均reward:
可以看出平均碰撞发生率会随训练次数增多逐渐降低,每个epoch持续的时间会逐渐延长(如果发生碰撞epoch会立刻结束)
四、总结
相比于我在之前文章中使用过的模拟器CARLA,highway-env环境包明显更加抽象化,用类似游戏的表示方式,使得算法可以在一个理想的虚拟环境中得到训练,而不用考虑数据获取方式、传感器精度、运算时长等现实问题。对于端到端的算法设计和测试非常友好,但从自动控制的角度来看,可以入手的方面较少,研究起来不太灵活。文章来源:https://www.toymoban.com/news/detail-424261.html
附:调参心得
我看到很多小伙伴在评论区反馈了自己遇到过的问题,我个人也在不断实验研究这个模型,调参过程中遇到了一些坑记录一下。文章来源地址https://www.toymoban.com/news/detail-424261.html
-
模型结构
我在example里设置的模型只有一个隐藏层,neuron数量和输入层相同,即模型结构为[35,35,5],参考了其他人的经验,可以把隐藏层的数量和neuron数都增大,例如可以设为[35,256,256,5],模型效果会有所提升。 -
reward定义
highway-env环境内部对于reward的定义比较固定,不支持自由更改,如果想高度自定义reward,建议在环境外部自己写function,不要使用环境反馈的reward。如果要使用env.step(action)生成的reward,要注意一个问题,就是在config里设置的reward并不是环境真实反馈的reward。原文档有一段说明:
该说明的意思是,奖励必须是有界的,所以无论如何在config里设置奖励或惩罚的数值,都会被归一化,使其介于[0,1]。如果因为认为模型碰撞发生率过高,为了让它更注重避障,在config里把碰撞的惩罚设置成一个很小的负数,环境对碰撞的奖励输出还是0,但是加速奖励因为归一化的下界变化变得更接近1了,这样相当于没有减小碰撞奖励,反而增大了速度奖励,适得其反,模型变得更激进了。碰撞惩罚越大,发生碰撞的概率越高。 -
网络价值分析
假设当前DQN已经训练到最优,即对每个局面下的每个动作价值输出都是准确的,并且策略会在每个状态下做出最优选择。由于env定义的reward介于[0,1],可以使用等比数列求和公式计算出最理想情况下每个动作值的上界。
Q m a x = 1 + γ ∗ 1 + γ ∗ ( γ ∗ 1 ) + γ ∗ ( γ ∗ ( γ ∗ 1 ) ) + . . . = 1 + γ + γ 2 + γ 3 + . . . = lim n → ∞ 1 − γ n 1 − γ = 1 1 − γ Q_{max}=1+\gamma*1+\gamma*(\gamma*1)+\gamma*(\gamma*(\gamma*1))+...\\ =1+\gamma+\gamma^2+\gamma^3+...\\ =\lim\limits_{n\rightarrow\infin}\cfrac{1-\gamma^n}{1-\gamma}\\ =\cfrac{1}{1-\gamma} Qmax=1+γ∗1+γ∗(γ∗1)+γ∗(γ∗(γ∗1))+...=1+γ+γ2+γ3+...=n→∞lim1−γ1−γn=1−γ1
如果期望的收益是有限的,那么γ一定小于1,如果设为0.8,模型能输出的最大Q值是5,如果设为0.9,模型能输出的最大Q值是10,以此类推。如果模型输出的某个动作Q值超过了这个数,就可以认为模型没有正确学习到价值,学习过程有bug,需要检查代码。
到了这里,关于DQN自动驾驶——python+gym实现的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!