multiagent-particle-envs是OpenAI开源的多智能体学习环境。
一、安装
Link：https://github.com/openai/multiagent-particle-envs
简称小球环境，也是MADDPG用的环境，基本上可以看做是较为复杂的 gridworld 的环境。 在这个环境涵盖了ma里的竞争/协作/通讯场景，你可以根据你的需要设置agent的数量，选择他们要完成的任务，比如合作进行相互抓捕，碰撞等，你也可以继承某一个环境来改写自己的任务。状态信息主要包括智能体的坐标/方向/速度等，这些小球的的原始动作空间是连续型的，不过在类属性里有个可以强制进行离散的设置，可以把它打开以后小球的动作就可以被离散为几个方向的移动了。此外，在这个环境中，小球之间的碰撞都都是模拟刚体的实际碰撞，通过计算动量，受力等来计算速度和位移。(以上内容摘自：https://www.zhihu.com/question/332942236/answer/1295507780，作者：咸鱼天，来源：知乎)。
OpenAI官方的环境，需要依赖gym 0.10.5。 如果不想使用，可以使用我的修改版本，对gym版本没有限制，并且在安装后可以直接导入make_env创建环境。参考百度飞桨开源的强化学习框架Parl为环境增加了obs_shape_n和act_shape_n属性，可以直接输出观测和动作维数。Link：https://github.com/gingkg/multiagent-particle-envs
安装： 1、下载文件 2、cd multiagent-particle-envs 3、pip install -e . 即可。
二、simple_world_comm环境详解
multiagent-particle-envs基于gym开发，所以环境创建流程基本于gym一致。multiagent-particle-envs包含9个环境，分别为simple、simple_adversary、simple_crypto、simple_push、simple_reference、simple_speaker_listener、simple_spread、simple_tag、simple_world_comm。其中simple环境仅作验证环境是否安装成功的测试使用，其余环境的介绍可以自行查看文档。 下面就simple_world_comm环境进行详细介绍。1、各类实体属性：
捕食者：刚体，可移动，最大速度1(默认)，加速度缩放系数3(默认，疑似)，速度阻尼0.25，红色，其中领导者颜色较深一点， 被捕食者：刚体，可移动，最大速度1.3(默认)，加速度缩放系数4(默认，疑似)，速度阻尼0.25，小绿色 食物：刚体，不可移动，蓝色 树林：非刚体，不可移动，大绿色 地标：刚体，不可移动，黑色2、实体任务：
捕食者 ：协同队友，阻拦被捕食者靠近食物。被捕食者 ：在捕食者的拦截下，利用森林及障碍物来尽可能的靠近食物。
食物 ：被捕食者的目标，靠近可获得奖励，奖励大小与靠近的距离有关。
树林 ：可以对进入自身内部的智能体提供掩护，敌方无法获取单位的位置坐标，除非两个智能体位于同一个树林
地标 ：不可通过的阻碍物。
3、需训练的智能体：
被捕食者 ：2个，通过靠近食物来获取奖励，速度较快，数量较少。
捕食者：4个，需要有一定协同能力，通过阻碍被捕食者获取奖励，速度较慢，但数量较多。
原论文中6个智能体分别用MADDPG算法来训练。即训练成本会随着智能体的数量增加，由于交流功能的存在，训练成本和智能体数量并不为线性关系。
4、观测状态
见文件：multiagent-particle-envs/multiagent/scenarios/simple_world_comm.py
捕食者的观测状态为1*34的向量，具体为自身的速度(x和y两个方向，2)+自身的位置(x和y两个方向，2)+所有地标与自己的相对位置(地标位置-自身位置，10)+其他智能体与自己的相对位置(其他智能体位置-自身位置，10)+被捕食者的速度(4)+自身是否在树林里(2)+交流信息(4)，数据格式float32，Box(34,)。非领导者的交流信息直接继承领导者的。
array([ 0. , 0. , -0.81360341, 0.31675768, 0.25026168,
-0.12137332, 1.26442749, -0.7671077 , 0.90388104, -1.00294841,
0.70155893, -0.62365125, 1.09197528, -0.92503425, 1.31906775,
0.53801265, 1.30256252, -0.5290839 , 1.3105693 , -0.16847554,
1.34816312, -0.82404067, 0.61383961, -1.30914401, 0. ,
0. , 0. , 0. , -1. , -1. ,
0. , 0. , 0. , 0. ])
被捕食者的观测状态为1*28的向量，具体为自身的速度(x和y两个方向，2)+自身的位置(x和y两个方向，2)+所有地标与自己的相对位置(地标位置-自身位置，10)+其他智能体与自己的相对位置(其他智能体位置-自身位置，10)+其他被捕食者的速度(2)+自身是否在树林里(2)，数据格式float32，Box(28,)。
array([ 0. , 0. , -0.1997638 , -0.99238633, -0.36357793,
1.18777069, 0.65058787, 0.54203631, 0.29004143, 0.3061956 ,
0.08771932, 0.68549276, 0.47813566, 0.38410976, -0.61383961,
1.30914401, 0.70522814, 1.84715666, 0.68872291, 0.78006011,
0.69672969, 1.14066847, 0. , 0. , -1. ,
-1. , 0. , 0. ])
5、动作空间
领导者：MultiDiscrete2，1*9维的向量。第一位无操作，2-5位给定智能体x,y正负方向上的加速度，6-9位为交流信息。
np.array([0, 1, 0, 1, 0, 1, 1, 1, 1],dtype=np.float32)
非领导捕食者：Discrete(5)，1*9维的向量。第一位无操作，2-5位给定智能体x,y正负方向上的加速度。
np.array([0, 1, 0, 1, 0], dtype=np.float32)
举个例子（无碰撞情况），方便理解，对于领导者初始状态为：
[ 0. 0. 0.28664831 0.451448 -1.17817321 -1.14371152 0.36545598 -1.0833245 -1.06284931 0.20773417 -0.94155189 0.4072022 -0.10401275 -1.15910727 -0.19673305 -1.02704632 -0.78517681 -0.25047813 -0.36542734 -1.31392343 -0.07968565 -0.96594893 -0.95037937 -1.2023333 0. 0. 0. 0. -1. -1. 0. 0. 0. 0. ]
即，速度为（0，0）；位置为（0.28664831， 0.451448）。
采取的动作为：
np.array([0, 1, 0, 1, 0, 1, 1, 1, 1],dtype=np.float32)
环境默认的周期t=0.1。
下一时刻智能体的速度和位置计算过程如下(以x方向为例，y方向计算过程相同)：# x方向的加速度 a = 1 - 0 # 乘以比例系数(暂不清楚有何物理意义) a = a * 3 # 考虑速度阻尼，上一时刻的速度 v= 0 v = v * (1 - 0.25) # 计算下一时刻的速度，此处有一个系数mass，默认为1（暂不清楚有何物理意义） v = v + (a/mass) * t # 判断速度是否大于限定最大速度，如果大于，按最大速度在x,y方向上做分解 # 计算位置 p = p + v*t
下一时刻状态输出为：
[ 3.00000000e-01 3.00000000e-01 3.16648308e-01 4.81448005e-01 -1.20817321e+00 -1.17371152e+00 3.35455977e-01 -1.11332450e+00 -1.09284931e+00 1.77734173e-01 -9.71551887e-01 3.77202198e-01 -1.34012753e-01 -1.18910727e+00 -1.26733049e-01 -1.05704632e+00 -8.15176813e-01 -2.80478133e-01 -3.95427343e-01 -1.34392343e+00 -1.09685649e-01 -9.95948925e-01 -9.70904003e-01 -1.23477175e+00 5.26459117e-08 2.74805581e-08 9.47537011e-02 -2.43844654e-02 -1.00000000e+00 -1.00000000e+00 1.00000000e+00 1.00000000e+00 1.00000000e+00 1.00000000e+00]
6、创建、运行、显示环境的完整代码
import time
import numpy as np
import multiagent.make_env as make_env
env = make_env.make_env('simple_world_comm')
obs = env.reset()
print(env.observation_space)
print(env.action_space)
steps = 0
print(steps)
print(obs)
for _ in range(25):
steps += 1
print(steps)
action_n = [np.array([0, 1, 0, 1, 0, 1, 1, 1, 1],dtype=np.float32),
np.array([0, 10, 0, 0, 0], dtype=np.float32),
np.array([0, 0, 0, 0, 0], dtype=np.float32),
np.array([0, 0, 0, 0, 0], dtype=np.float32),
np.array([0, 0, 0, 0, 0], dtype=np.float32),
np.array([0, 0, 0, 0, 0], dtype=np.float32)]
next_obs_n, reward_n, done_n, _ = env.step(action_n)
print(next_obs_n)
print(reward_n)
print(done_n)
env.render()
time.sleep(0.1)
if all(done_n):
break
env.close()
需要注意的是，按照环境默认设置，done_n永远为 false，即环境永远不会结束，所以需要自己设定最大循环次数。