愤怒的小鸟11种小鸟技能介绍（你当年没玩好的愤怒的小鸟）

（图片源自百度百科）

作者 | Ekaterina Nikonova，Jakub Gemrot

译者 | Tianyu

出品 | AI科技大本营（ID:rgznai100）

现在说起《愤怒的小鸟》游戏，要把人的回忆一下拉扯到差不多十年前了。

它是一款当时一经推出就广受欢迎的游戏，玩家可以用弹弓把若干只小鸟弹射出去，目标是摧毁所有绿色的猪，并获得尽可能高的分数，经常有很多猪藏在复杂的结构之中。由于顺序的决策、不确定的游戏环境、复杂的状态和动作、功能特性不同的鸟，以及最佳弹射时机等因素，都使得《愤怒的小鸟》很难拥有一款好的 AI 代理。

近日，来自捷克查理大学的研究者发布论文《Deep Q-Network for Angry Birds》称，他们采用 DDDQN（Double Dueling Deep Q-network）算法实现了一款深度强化学习应用，可以用来玩《愤怒的小鸟》。他们的目的之一是创造一个游戏智能体，可以基于之前玩家在前21关的游戏记录来进行游戏闯关。

为了实现这一目的，他们收集了游戏记录的数据集，为 DQN 游戏代理提供了多种多样的方案。游戏中需要做很多有关顺序的决策，两次弹射之间会相互影响，每一次弹射的精准度也很重要。例如，一次糟糕的决策可能会导致一只猪被若干个物体卡住。因此，为了更好地完成游戏中的任务，游戏代理要有基于决策对结果进行预测和模拟的能力。

以下为《Deep Q-Network for Angry Birds》论文的内容概述：

相关工作

2012年，首次举办了《愤怒的小鸟》 AI 大赛，随之出现了很多款游戏代理。在这里介绍两款比较优秀的代理，第一个是由来自捷克技术大学的队伍所开发的 Datalab Birds 2014，该游戏代理至今保持着第三名的位置。就像他们在论文中描述的，他们的主要思想是基于当前环境、可能的弹射轨迹和鸟的类型来制定最佳策略。第二个是由滑铁卢大学和 Zazzle 在 2017 《愤怒的小鸟》AI 大赛中共同开发的 Eagles Wings 智能玩家，他们的代理目前排在第 16 位。据称，该游戏代理基于人工调试过的结构分析，即在多个策略中做选择，开发了一项简单的多策略能力。他们使用了机器学习算法 xgboost 学习决策制定能力。

背景介绍

为了解决《愤怒的小鸟》中的顺序决策问题，我们基于每个时间步长来考虑游戏环境 ε 。在每个时间步长 t，代理都会得到观察值St，然后从可能的动作集中选择一个动作

，接下来会得到奖励项

。接下来代理的目标是基于下面的公式将奖励项最大化：

在上面的公式中，s 为当前状态，a 为所选的动作，为奖励项，

是权重系数，来决定奖励项对未来结果的重要性。现在我们定义最佳 Q 值如下：

在每个状态选择最大值所对应的动作，我们就可以获得最佳策略。

DQN 算法理论基础

为了模拟最佳 action-value 函数，我们使用深度神经网络作为非线性函数逼近器，我们定义一个逼近函数：

其中，

为 Q 网络进行第 i 次迭代的权重。

如论文中所说，将强化学习算法与非线性函数逼近器，如神经网络，结合使用会不稳定，甚至产生偏移，原因如下：a) 序列中观察值之间的关联性；b) Q 值与 target 值

之间的关联性；c) 该方法对 Q 值的变化极其敏感。

Deep Q-learning 试图用技术解决第一个问题，即经验回放。该技术通过将所收集的数据随机化，去除了序列中观测值之间的相关性。我们对经验的定义如下：

其中，

为 t 时刻的状态，

为 t 时刻采取的动作，

为 t 1 时刻的奖励，

为执行后的状态。我们将经验保存在经验集中：

接下来，我们从经验集 M 中抽样出部分经验，在 Q 网络中对 Q 值进行更新。

为了解决第二个问题，需要用到下面的损失函数：

其中，i 为迭代次数，

为权重系数，

为实时网络的权重，

为目标网络的权重。

接下来，我们 DQN 的目标如下：

A. Double Deep Q-Networks

原始的 DQN 算法对动作选择和动作表现的评估两个步骤都采用了最大值，这很可能导致过度估计。基于这一缺陷，Double Q-learning 算法产生了。不同于传统 DQN 算法仅使用一个神经网络，如今我们使用一个网络选择动作，再使用另一个网络对所做的决策进行评估。因此，我们可以将原始的 Q-learning 目标改写为：

其中，

为实时权重，

为第二个权重集，即用实时权重进行动作选择，用第二个权重对其评估。幸运的是，同样的方法也可以应用到 DQN 算法中，我们可以对更新函数进行替换，如下：

其中，为 DQN 的实时权重，

为目标 DQN 的权重。

B. Dueling Deep Q-Networks

在某些场景中，不同动作获得的值是很接近的，没必要对每个动作进行评估。在《愤怒的小鸟》中，有时候玩家会陷入某种无解的处境，如猪被一些物体卡住了。在这种情况下，无论采取什么动作都是一样的结果，因此任何动作的得分都是几乎一样的，而我们只在意这个状态本身的分数。考虑到对这些场景的优化，Dueling 结构应运而生了。为了实现 Dueling Q-learning 结构，我们需要使用两个全连接层。将卷积层的输出分成两部分后，我们需要再把它们结合以获得 Q 函数。首先定义价值函数：

优势函数为：

也就是说，价值函数可以告诉我们某个具体状态的好坏程度，而优势函数告诉我们每个动作的重要性。这样我们可以构造我们的第一个全连接层，得到输出

，以及第二个全连接层，可得到输出

，此处的 α 和 β 都是全连接层的权重，θ 为卷积层的权重。为了将两个值结合并获得 Q 值，我们定义网络的最后一个模块如下：

这样我们就得到了价值估计函数和优势估计函数，将其与之前定义好的 Deep Q-network 和 Double Q-learning 结合使用，就可以用在《愤怒的小鸟》这款游戏中了。

将 DQN 应用于 AIBIRDS

为了将 DQN 应用于《愤怒的小鸟》，我们首先需要定义：a) 状态，b) 动作，c) Q-network 结构，d) 奖励函数。AIBirds 竞赛组织方提供了可以对游戏进行截图的软件，可以得到 840x480 像素的图片。图1为逐步处理图片的过程。

图1：游戏截图的处理过程，从左到右：原始截图，剪裁，调整大小，标准化

我们规定动作为

，其中每个数字代表射出的角度。接下来，我们基于软件为每个给定角度找到最终的释放点。为了计算释放点，轨迹模块首先寻找弹弓的参考点，然后计算释放点。

我们的 DQN 结构是基于 Google DeepMind DQN 的，图2为我们的 DQN 结构。该模型包括4个卷积层，kernel 分别为 8x8，4x4，3x3，7x7，strides 分别为 4x4，2x2，2x2，1x1。最后一个卷积层后面连接了两个 flatten 层，最后结合生成 Q 值。

图2：

Double Dueling DQN 结构

奖励函数所使用的技术通常被称为奖励修剪（reward clipping）。这种方法将很大或很小的分数修剪为1或-1分的得分，来代表一个好动作或坏动作。《愤怒的小鸟》这款游戏的主要目标除了过关，还要活得尽可能高的分数。考虑到这一点，我们需要改变奖励函数，如下：

上式中，score 为 s 状态下采用动作 a 后的分数，maximum score of current level 为当前关卡的历史最高得分。基于这个公式，我们期望游戏代理可以学习分数的重要性，并通过学习动作的奖励机制来刷新当前关卡的得分。

A. 训练集

我们的训练集包括《愤怒的小鸟》经典系列的21个关卡。在训练阶段，游戏代理基于 115000 张图进行网络的训练。在游戏截屏前，代理需要等候5秒钟。这一项小调整是必需的，为了让鸟被发射后所产生的震动得以平复下来。

B. 验证集

我们的验证集包括《愤怒的小鸟》经典系列的10个关卡。由于代理的训练集中只有红鸟、蓝鸟和黄鸟，所以我们不得不挑选没有新鸟的关卡作为验证集。从第二页和第三页挑选的关卡比第一页的难度要高一些。在玩这些关卡时，玩家必须找到一些不太明显的结构上的弱点，并提前仔细规划策略。

结果

我们对竞赛中几个参赛结果进行了对比，如图3。对不同的代理结果进行对比，可以帮助我们了解哪项 AI 技术更适用于《愤怒的小鸟》这款游戏。然而我们仍然无法搞清楚的是，和人类比起来这些游戏代理表现如何。

图3：几个不同的 DQN 代理对比

本篇论文中，我们还进行了 AI 和人类的对比。人类参赛者可以进行无数次尝试，直到参赛者觉得已经获得了自己的最佳分数。我们从不同水平的人中挑选参与实验者，玩家1和玩家3有玩《愤怒的小鸟》的4年游戏经验。玩家2很久之前玩过几次这款游戏，没有太多经验。玩家4过去常常玩这款游戏，但最近没怎么玩过。

如图4所示，我们的游戏代理在总分上超过了一个人类玩家，而输给了其他玩家。产生这一结果的主要原因是，代理无法通过第18关。在其他关卡中，代理可以在某些关卡上超过一些玩家。总的来说，我们的 DQN 代理在前21关获得了 1007189 分，它败给了四位人类玩家中的三位。因此我们的代理还存在非常大的提升空间。

图4：DQN 代理与人类玩家的游戏得分对比

图5位代理在验证集上的表现。如我们所料，对于代理之前没有见过的关卡，大都无法通过。

图5：DQN 代理在验证集上的结果

《愤怒的小鸟》 AI 大赛结果

除了将我们的代理与人类玩家进行对比以外，我们在 IJCAI-2018 大会上做了展示，参加了《愤怒的小鸟》 AI 大赛。该竞赛本身包括三轮：四分之一决赛、半决赛和总决赛。每一轮中，参赛的游戏代理要面对 8 个之前未见过的关卡。

表1展示了四分之一赛中全部游戏代理的总分数，在全部基于神经网络的代理中，我们的 DQ-Birds 表现最好，通过了 8 个关卡中的 3 个。MYTBirds 也使用了神经网络，但只通过了一个关卡。其它代理均使用了除神经网络以外的方法。

表1

结论

对于 AI 代理来说，《愤怒的小鸟》这款游戏始终是一项艰巨的任务。我们提出了一种基于 Double Dueling DQN 的游戏代理来试图解决游戏中的顺序决策问题。在目前的研究工作中，我们没有达成的目标是在这款游戏中超越人类玩家。但好的一点是，我们的代理只需要一次机会就可以通关。另外有趣的是，在大多数情况下，它只用了一次精准的弹射就击中了关键点，通过了关卡。

总之，尽管我们的代理超过了部分之前的玩家，并在 AIBirds 比赛中超过了部分参赛者，但仍存在很大的进步空间。例如，我们可以尝试在奖励函数中加入超参数。我们还可以尝试如今已公开的全部深度强化学习优化技术。下一步，我们计划基于更多的游戏关卡对游戏代理进行训练。

（*本文为 AI科技大本营编译文章，转载请微信联系 1092722531）

◆

◆

,