清華和UC伯克利聯(lián)合研究發(fā)現(xiàn)，在不進行任何算法或者網(wǎng)絡(luò)架構(gòu)變動的情況下，用 MAPPO（Multi-Agent PPO）在 3 個具有代表性的多智能體任務(wù)（Multi-Agent Particle World, StarCraftII, Hanabi）中取得了與 SOTA 算法相當(dāng)?shù)男阅堋?/p>

近些年，多智能體強化學(xué)習(xí)（Multi-Agent Reinforcement Learning，MARL）取得了突破性進展，例如 DeepMind 開發(fā)的 AlphaStar 在星際爭霸 II 中打敗了職業(yè)星際玩家，超過了 99.8% 的人類玩家；OpenAI Five 在 DOTA2 中多次擊敗世界冠軍隊伍，是首個在電子競技比賽中擊敗冠軍的人工智能系統(tǒng)；以及在仿真物理環(huán)境 hide-and-seek 中訓(xùn)練出像人一樣可以使用工具的智能體。我們提到的這些智能體大多是采用 on-policy 算法（例如 IMPALA[8]）訓(xùn)練得到的，這就意味著需要很高的并行度和龐大的算力支持，例如 OpenAI Five 消耗了 12.8 萬塊 CPU 和 256 塊 P100 GPU 來收集數(shù)據(jù)樣本和訓(xùn)練網(wǎng)絡(luò)。

然而，大多數(shù)的學(xué)術(shù)機構(gòu)很難配備這個量級的計算資源。因此，MARL 領(lǐng)域幾乎已經(jīng)達成共識：與 on-policy 算法（例如 PPO[3]）相比，在計算資源有限的情況下，off-policy 算法（例如 MADDPG[5]，QMix[6]）因其更高的采樣效率更適合用來訓(xùn)練智能體，并且也演化出一系列解決某些具體問題（domain-specific）的 SOTA 算法（例如 SAD[9]，RODE[7]）。

但是，來自清華大學(xué)與 UC 伯克利的研究者在一篇論文中針對這一傳統(tǒng)認知提出了不同的觀點：MARL 算法需要綜合考慮數(shù)據(jù)樣本效率（sample efficiency）和算法運行效率（wall-clock runtime efficiency）。在有限計算資源的條件下，與 off-policy 算法相比，on-policy 算法 --MAPPO（Multi-Agent PPO）具有顯著高的算法運行效率和與之相當(dāng)（甚至更高）的數(shù)據(jù)樣本效率。有趣的是，研究者發(fā)現(xiàn)只需要對 MAPPO 進行極小的超參搜索，在不進行任何算法或者網(wǎng)絡(luò)架構(gòu)變動的情況下就可以取得與 SOTA 算法相當(dāng)?shù)男阅?。更進一步地，還貼心地給出了 5 條可以提升 MAPPO 性能的重要建議，并且開源了一套優(yōu)化后的 MARL 算法源碼（代碼地址：
https://github.com/marlbenchmark/on-policy）。

所以，如果你的 MARL 算法一直不 work，不妨參考一下這項研究，有可能是你沒有用對算法；如果你專注于研究 MARL 算法，不妨嘗試將 MAPPO 作為 baseline，說不定可以提高任務(wù)基準(zhǔn)；如果你處于 MARL 研究入門階段，這套源碼值得擁有，據(jù)說開發(fā)完備，簡單易上手。這篇論文由清華大學(xué)的汪玉、吳翼等人與 UC 伯克利的研究者合作完成。研究者后續(xù)會持續(xù)開源更多優(yōu)化后的算法及任務(wù)（倉庫指路：
https://github.com/marlbenchmark）

論文鏈接：
https://arxiv.org/abs/2103.01955

什么是 MAPPO

PPO（Proximal Policy Optimization）[4]是一個目前非常流行的單智能體強化學(xué)習(xí)算法，也是 OpenAI 在進行實驗時首選的算法，可見其適用性之廣。PPO 采用的是經(jīng)典的 actor-critic 架構(gòu)。其中，actor 網(wǎng)絡(luò)，也稱之為 policy 網(wǎng)絡(luò)，接收局部觀測（obs）并輸出動作（action）；critic 網(wǎng)絡(luò)，也稱之為 value 網(wǎng)絡(luò)，接收狀態(tài)（state）輸出動作價值（value），用于評估 actor 網(wǎng)絡(luò)輸出動作的好壞?？梢灾庇^理解為評委（critic）在給演員（actor）的表演（action）打分（value）。MAPPO（Multi-agent PPO）是 PPO 算法應(yīng)用于多智能體任務(wù)的變種，同樣采用 actor-critic 架構(gòu)，不同之處在于此時 critic 學(xué)習(xí)的是一個中心價值函數(shù)（centralized value function），簡而言之，此時 critic 能夠觀測到全局信息（global state），包括其他 agent 的信息和環(huán)境的信息。

實驗環(huán)境

接下來介紹一下論文中的實驗環(huán)境。論文選擇了 3 個具有代表性的協(xié)作 Multi-agent 任務(wù)，之所以選擇協(xié)作任務(wù)的一個重要原因是合作任務(wù)具有明確的評價指標(biāo)，便于對不同的算法進行比較。

第一個環(huán)境是 OpenAI 開源的 Multi-agent Particle World（MPE）任務(wù)（源代碼指路：
https://github.com/openai/multiagent-particle-envs）[1]，輕量級的環(huán)境和抽象多樣的任務(wù)設(shè)定使之成為快速驗證 MARL 算法的首選測試平臺。在 MPE 中有 3 個協(xié)作任務(wù)，分別是 Spread，Comm 和 Reference，如圖 1 所示。

圖 1：MPE 環(huán)境中的 3 個子任務(wù)：Spread，Comm 和 Reference

第二個環(huán)境是 MARL 領(lǐng)域著名的 StarCraftII（星際爭霸 II）任務(wù)（源代碼：
https://github.com/oxwhirl/smac），如圖 2 所示。這一任務(wù)最初由 M. Samvelyan 等人提出 [2]，提供了 23 個實驗地圖，agent 數(shù)量從 2 到 27 不等，我方 agent 需要進行協(xié)作來打敗敵方 agent 以贏得游戲。自該任務(wù)發(fā)布以來，有很多研究人員針對其特點進行了算法研究，例如經(jīng)典算法 QMix[6] 以及最新發(fā)表的 RODE[7]等等。由于 StarCraftII 經(jīng)過了版本迭代，并且不同版本之間性能有差距，特別說明，這篇論文采用的是最新版本 SC2.4.10。

圖 2：StarCraftII 環(huán)境中的 2 個代表性地圖：Corridor 和 2c vs. 64zg

第三個環(huán)境是由 Nolan Bard 等人 [3] 在 2019 年提出的一個純協(xié)作任務(wù) Hanabi（源代碼：
https://github.com/deepmind/hanabi-learning-environment），Hanabi 是一個 turn-based 的紙牌類游戲，也就是每一輪只有一個玩家可以出牌，相較于之前的多智能體任務(wù)，Hanabi 的一個重要特點是純合作，每個玩家需要對其他玩家的意圖進行推理，完成協(xié)作才能獲得分數(shù)，Hanabi 的玩家數(shù)可以是 2-5 個，圖 3 是 4 個玩家的任務(wù)示意圖，感興趣的讀者可以自己嘗試玩一下。

圖 3：4 個玩家的 Hanabi-Full 任務(wù)示意圖

實驗結(jié)果

首先來看一下論文給出的實驗結(jié)果，特別注意，論文所有的實驗都在一臺主機中完成，該主機的配置是 256 GB 內(nèi)存, 一塊 64 核 CPU 和一塊 GeForce RTX 3090 24GB 顯卡。另外，研究者表示，本文的所有的算法都進行了微調(diào)（fine-tune），所以本文中的復(fù)現(xiàn)的某些實驗結(jié)果會優(yōu)于原論文。

（1）MPE 環(huán)境

圖 4 展示了在 MPE 中不同算法的數(shù)據(jù)樣本效率和算法運行效率對比，其中 IPPO（Independent PPO）表示的是 critic 學(xué)習(xí)一個分布式的價值函數(shù)（decentralized value function），即 critic 與 actor 的輸入均為局部觀測，IPPO 和 MAPPO 超參保持一致；MADDPG[5]是 MARL 領(lǐng)域十分流行的 off-policy 算法，也是針對 MPE 開發(fā)的一個算法，QMix[6]是針對 StarCraftII 開發(fā)的 MARL 算法，也是 StarCraftII 中的常用 baseline。

從圖 4 可以看出與其他算法相比，MAPPO 不僅具有相當(dāng)?shù)臄?shù)據(jù)樣本效率和性能表現(xiàn)（performance）（圖（a）），同時還具有顯著高的算法運行效率（圖（b））。

圖 4：在 MPE 中不同算法的數(shù)據(jù)樣本效率和算法運行效率對比

（2）StarCraftII 環(huán)境

表 1 展示了 MAPPO 與 IPPO，QMix 以及針對 StarCraftII 的開發(fā)的 SOTA 算法 RODE 的勝率對比，在截斷至 10M 數(shù)據(jù)的情況下，MAPPO 在 19/23 個地圖的勝率都達到了 SOTA，除了 3s5z vs. 3s6z，其他地圖與 SOTA 算法的差距小于 5%，而 3s5z vs. 3s6z 在截斷至 10M 時并未完全收斂，如果截斷至 25M，則可以達到 91% 的勝率。

圖 5 表示在 StarCraftII 中不同算法的數(shù)據(jù)樣本效率和算法運行效率對比。可以看出 MAPPO 實際上與 QMix 和 RODE 具有相當(dāng)?shù)臄?shù)據(jù)樣本效率，以及更快的算法運行效率。由于在實際訓(xùn)練 StarCraftII 任務(wù)的時候僅采用 8 個并行環(huán)境，而在 MPE 任務(wù)中采用了 128 個并行環(huán)境，所以圖 5 的算法運行效率沒有圖 4 差距那么大，但是即便如此，依然可以看出 MAPPO 驚人的性能表現(xiàn)和運行效率。

表 1：不同算法在 StarCraftII 的 23 個地圖中的勝率對比，其中 cut 標(biāo)記表示將 MAPPO 和 QMix 截斷至與 RODE 相同的步數(shù)，目的是為了與 SOTA 算法公平對比。

（3）Hanabi 環(huán)境

SAD 是針對 Hanabi 任務(wù)開發(fā)的一個 SOTA 算法，值得注意的是，SAD 的得分取自原論文，原作者跑了 13 個隨機種子，每個種子需要約 10B 數(shù)據(jù)，而由于時間限制，MAPPO 只跑了 4 個隨機種子，每個種子約 7.2B 數(shù)據(jù)。從表 2 可以看出 MAPPO 依然可以達到與 SAD 相當(dāng)?shù)牡梅帧?/p>

表 2：MAPPO 和 SAD 在 2 個玩家的 Hanabi-Full 任務(wù)的得分對比。

5 條小建議

看完了論文給出的實驗結(jié)果，那么，回到最開始的問題，你用對 MAPPO 了嗎？

研究者發(fā)現(xiàn)，即便多智能體任務(wù)與單智能體任務(wù)差別很大，但是之前在其他單智能體任務(wù)中的給出的 PPO 實現(xiàn)建議依然很有用，例如 input normalization，value clip，max gradient norm clip，orthogonal initialization，GAE normalization 等。但是除此之外，研究者額外給出了針對 MARL 領(lǐng)域以及其他易被忽視的因素的 5 條建議。

Value normalization: 研究者采用 PopArt 對 value 進行 normalization，并且指出使用 PopArt 有益無害。

Agent Specific Global State: 采用 agent-specific 的全局信息，避免全局信息遺漏以及維度過高。值得一提的是，研究者發(fā)現(xiàn) StarCraftII 中原有的全局信息存在信息遺漏，甚至其所包含的信息少于 agent 的局部觀測，這也是直接將 MAPPO 應(yīng)用在 StarCraftII 中性能表現(xiàn)不佳的重要原因。

Training Data Usage: 簡單任務(wù)中推薦使用 15 training epochs，而對于較難的任務(wù)，嘗試 10 或者 5 training epochs。除此之外，盡量使用一整份的訓(xùn)練數(shù)據(jù)，而不要切成很多小份（mini-batch）訓(xùn)練。

Action Masking: 在多智能體任務(wù)中經(jīng)常出現(xiàn) agent 無法執(zhí)行某些 action 的情況，建議無論前向執(zhí)行還是反向傳播時，都應(yīng)將這些無效動作屏蔽掉，使其不參與動作概率計算。

Death Masking: 在多智能體任務(wù)中，也經(jīng)常會出現(xiàn)某個 agent 或者某些 agents 中途死掉的情況（例如 StarCraftII）。當(dāng) agent 死亡后，僅保留其 agent id，將其他信息屏蔽能夠?qū)W得更加準(zhǔn)確的狀態(tài)價值函數(shù)。

更多的實驗細節(jié)和分析可以查看論文原文。