天哪！用 Python 實現自動駕駛！
來源：https://blog.csdn.net/weixin_44169614?type=blog
一、安裝環境
gym 是用於開發和比較強化學習算法的工具包，在 python 中安裝 gym 庫和其中子場景都較爲簡便。
安裝 gym：
pip install gym安裝自動駕駛模塊，這裏使用 Edouard Leurent 發佈在 github 上的包 highway-env（鏈接：https://github.com/eleurent/highway-env）：
pip install --user git+https://github.com/eleurent/highway-env其中包含 6 個場景：
-
高速公路——“highway-v0”
-
匯入——“merge-v0”
-
環島——“roundabout-v0”
-
泊車——“parking-v0”
-
十字路口——“intersection-v0”
-
賽車道——“racetrack-v0”
詳細文檔可以參考這裏：
https://highway-env.readthedocs.io/en/latest/
二、配置環境
安裝好後即可在代碼中進行實驗（以高速公路場景爲例）：
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()運行後會在模擬器中生成如下場景：
綠色爲 ego vehicle env 類有很多參數可以配置，具體可以參考原文檔。
三、訓練模型
1、數據處理
(1)state
highway-env 包中沒有定義傳感器，車輛所有的 state (observations) 都從底層代碼讀取，節省了許多前期的工作量。根據文檔介紹，state (ovservations) 有三種輸出方式：Kinematics，Grayscale Image 和 Occupancy grid。
Kinematics
輸出 V*F 的矩陣，V 代表需要觀測的車輛數量（包括 ego vehicle 本身），F 代表需要統計的特徵數量。例：
數據生成時會默認歸一化，取值範圍：[100, 100, 20, 20]，也可以設置 ego vehicle 以外的車輛屬性是地圖的絕對座標還是對 ego vehicle 的相對座標。
在定義環境時需要對特徵的參數進行設定：
config = \
{
"observation":
{
"type": "Kinematics",
#選取5輛車進行觀察（包括ego vehicle）
"vehicles_count": 5,
#共7個特徵
"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
生成一張 W*H 的灰度圖像，W 代表圖像寬度，H 代表圖像高度
Occupancy grid
生成一個 WHF 的三維矩陣，用 W*H 的表格表示 ego vehicle 周圍的車輛情況，每個格子包含 F 個特徵。
(2) action
highway-env 包中的 action 分爲連續和離散兩種。連續型 action 可以直接定義 throttle 和 steering angle 的值，離散型包含 5 個 meta actions：
ACTIONS_ALL = {
0: 'LANE_LEFT',
1: 'IDLE',
2: 'LANE_RIGHT',
3: 'FASTER',
4: 'SLOWER'
}(3) reward
highway-env 包中除了泊車場景外都採用同一個 reward function：
這個 function 只能在其源碼中更改，在外層只能調整權重。（泊車場景的 reward function 原文檔裏有，懶得打公式了……）
2、搭建模型
DQN 網絡的結構和搭建過程已經在我另一篇文章中討論過，所以這裏不再詳細解釋。我採用第一種 state 表示方式——Kinematics 進行示範。
由於 state 數據量較小（5 輛車 * 7 個特徵），可以不考慮使用 CNN，直接把二維數據的 size[5,7]轉成 [1,35] 即可，模型的輸入就是 35，輸出是離散 action 數量，共 5 個。
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、運行結果
各個部分都完成之後就可以組合在一起訓練模型了，流程和用 CARLA 差不多，就不細說了。
初始化環境（DQN 的類加進去就行了）：
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)訓練模型：
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) #隨機選擇action的概率，隨着訓練次數增多逐漸降低
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)我在代碼中添加了一些畫圖的函數，在運行過程中就可以掌握一些關鍵的指標，每訓練 40 次統計一次平均值。
平均碰撞發生率：
epoch 平均時長 (s)：
平均 reward：
可以看出平均碰撞發生率會隨訓練次數增多逐漸降低，每個 epoch 持續的時間會逐漸延長（如果發生碰撞 epoch 會立刻結束）
四、總結
相比於我在之前文章中使用過的模擬器 CARLA，highway-env 環境包明顯更加抽象化，用類似遊戲的表示方式，使得算法可以在一個理想的虛擬環境中得到訓練，而不用考慮數據獲取方式、傳感器精度、運算時長等現實問題。對於端到端的算法設計和測試非常友好，但從自動控制的角度來看，可以入手的方面較少，研究起來不太靈活。
本文由 Readfog 進行 AMP 轉碼，版權歸原作者所有。
來源：https://mp.weixin.qq.com/s/P8pJ8qBskGeLN8oFi2Rngg