「Unity ML-Agents 2.0」の新機能のひとつ「協調行動の学習」についてまとめました。

1. 協調行動の学習

「Unity ML-Agents」には、個人の行動がグループ全体の成功にリンクされている、共通の目標に向かって作業するエージェントグループの学習環境が提供されています。

サンプル環境「SeccerTwo」も、そのひとつです。

このような環境では通常、エージェントはグループとして報酬を受け取ります。たとえば、エージェントのグループが相手グループとの試合に勝利した場合、勝利に直接貢献しなかったエージェントを含む全員に、報酬が与えられます。

しかしこれは、個人として何をすべきかを学ぶことを難しくします。何もしないことで勝利し、最善を尽くすことで敗北するかもしれません。

2. MA-POCA

「ML-Agents 2.0」には、協調行動を学習するためのトレーナーとして「MA-POCA」（MultiAgent POsthumous Credit Assignment）が追加されました。このトレーナーは、エージェントのグループ全体の「コーチ」として機能するニューラルネットワークを学習できます。

「MA-POCA」の新規性の 1 つは、「Attention」と呼ばれる、数が固定されていない入力を処理できるニューラルネットワークを使用していることです。これは、「コーチ」(Critic)が任意の数のエージェント(Actor)を処理できることを意味しており、そのため、「MA-POCA」はゲームにおける協調行動に特に適していると言えます。ゲームキャラクターがチーム戦の途中で脱落したり、途中参加したりするのと同じように、エージェントを任意のタイミングでグループに追加・削除することができます。

3. エージェントのグループ化

「MA-POCA」で学習するには、エージェントをグループ化する必要があります。

エージェントをグループ化するには、グループ毎にSimpleMultiAgentGroupのインスタンスを生成し、RegisterAgent()でエージェントを追加します。追加するエージェントは同じBehaviorNameとBehaviorParametersを持つ必要があります。

そして、このSimpleMultiAgentGroupに対して、AddGroupReward()で報酬加算、EndGroupEpisode() / GroupEpisodeInterrupted()でエピソード完了を実行します。

SimpleMultiAgentGroupの主なメソッドは、次のとおりです。

4. エージェントのグループ化の例

サンプル環境「SoccerTwo」で、エージェントのグループ化の実装を確認してみます。

(1) フィールド変数で、青グループと紫グループを準備。

private SimpleMultiAgentGroup m_BlueAgentGroup;
private SimpleMultiAgentGroup m_PurpleAgentGroup;

(2) Start()で、グループをインスタンス化して、エージェントを追加。

m_BlueAgentGroup = new SimpleMultiAgentGroup();
m_PurpleAgentGroup = new SimpleMultiAgentGroup();
foreach (var item in AgentsList)
{
        :
    if (item.Agent.team == Team.Blue)
    {
        m_BlueAgentGroup.RegisterAgent(item.Agent);
    }
    else
    {
        m_PurpleAgentGroup.RegisterAgent(item.Agent);
    }
}

(3) FixedUpdate()で、最大ステップ数到達時のエピソード完了を実行。

void FixedUpdate()
{
    m_ResetTimer += 1;
    if (m_ResetTimer >= MaxEnvironmentSteps && MaxEnvironmentSteps > 0)
    {
        m_BlueAgentGroup.GroupEpisodeInterrupted();
        m_PurpleAgentGroup.GroupEpisodeInterrupted();
        ResetScene();
    }
}

(4) GoalTouched()で、ゴール時の報酬加算とエピソード完了を実行。

public void GoalTouched(Team scoredTeam)
{
    if (scoredTeam == Team.Blue)
    {
        m_BlueAgentGroup.AddGroupReward(1 - (float)m_ResetTimer / MaxEnvironmentSteps);
        m_PurpleAgentGroup.AddGroupReward(-1);
    }
    else
    {
        m_PurpleAgentGroup.AddGroupReward(1 - (float)m_ResetTimer / MaxEnvironmentSteps);
        m_BlueAgentGroup.AddGroupReward(-1);
    }
    m_PurpleAgentGroup.EndGroupEpisode();
    m_BlueAgentGroup.EndGroupEpisode();
    ResetScene();
}

5. 学習設定ファイル

「MA-POCA」で学習するには、学習設定ファイルの「trainer_type」に「poca」を指定する必要があります。

・SoccerTwo.yaml

behaviors:
  SoccerTwos:
    trainer_type: poca
        :

「MA-POCA」は「PPO」と同じパラメータを使用するため、それ以外の「MA-POCA」固有のパラメータはありません。

6. ベストプラクティス

「MA-POCA」のベストプラクティスは、次のとおりです。

7. サンプル環境

「MA-POCA」のサンプル環境は、次のとおりです。

◎ Soccer Twos

◎ Strikers Vs. Goalie

◎ Cooperative Push Block

◎ Dungeon Escape

◎ DodgeBall

【おまけ】 グループとチーム

「Unity ML-Agents」には、今回説明した「グループ」の他に「チーム」という概念がありますが、「グループ」は次の点で「チーム」とは異なります。

一緒に作業するエージェントは同じグループに追加する必要がありますが、互いに対戦するエージェントは異なるチームIDを付与する必要があります。

シーンに1つの競技場と2つのチームがある場合、各チームに1つずつ、合計2つのグループがあり、各チームに異なるチームIDを割り当てる必要があります。この競技場がシーン内で何個も複製される場合（学習のスピードアップ用）、競技場ごとに2つのグループがあり、シーン全体で2つのチームIDを利用します。

グループIDとチームIDの両方が設定されている環境では、「MA-POCA」と「セルフプレイ」の両方を同時に使用して学習することができます。下図では、各チームに2人のエージェントがいて、チームが互いに戦う2つの競技場があります。全ての青エージェントはチームID（および橙エージェントは異なるID）を共有する必要があり、エージェントのペアごとに1つずつ、4つのグループが必要になります。

次回