【论文笔记】MOBA类游戏中的强化学习论文5篇

引子

在围棋和扑克被AI攻克后，MOBA游戏成了新的检测强化学习的试验场。

这里主要选择了几篇经典论文，重点讲讲他们的网络/结构设计。不会设计特别深的技术细节。感兴趣请阅读原论文。

论文列表

• Grandmaster level in StarCraft II using multi-agent reinforcement
• learning，nature2019 Dota 2 with Large Scale Deep Reinforcement
• Learning，2018~2019 Hierarchical Macro Strategy Model for MOBA Gam AI，2018
• Mastering Complex Control in MOBA Games with Deep Reinforcement Learning，AAAI 2020
• Towards Playing Full MOBA Games with Deep Reinforcement Learning，NIPS2020

用AI打星际争霸（RTS）

Grandmaster level in StarCraft II using multi-agent reinforcement learning

星际争霸虽然不算MOBA游戏，但还是最先讲它，因为他是最出圈的论文，被刊载在Nature2019的封面上。
创新点主要有：

• 在RTS游戏上超越人类专家
• 提供了MOBA类游戏的解决思路
• 用成绩证明了思路的可行性

整体结构

这是整体的逻辑架构。可以说，这个架构为之后的MOBA AI研究提供了范式。

首先是环境部分直接对游戏进行编码，从中提取出小地图、士兵单位等信息作为状态，将这些状态作为神经网络的输入，输出相应的动作，用动作改变环境，如此循环直到游戏结束。

整个架构现在看来中规中矩。有两点值得一提。一个是在状态编码的时候把各个单位独立区分，而不像Atari游戏那样简单粗暴地直接在像素层面卷积；另一个就是在动作评估的时候依次对what、who、where、when next action进行评估，这一部分我不是很理解为什么，可能研究人员也是经过多次试错总结出来的最优方式吧。之后的研究都采用这种讲各个信息分别独立评估的方式。

训练

网络的训练主要分两步，首先是监督学习进行“打基础”，其次用强化学习“提能力”。

监督学习很好理解，就是把人类专家的行为当作是模板，用AI对其动作概率进行预测，用KL散度作为loss，从而使得AI的行动尽可能地接近人类专家行为。

在监督学习取得一定成效后，使用强化学习加强AI的强度。这时的AI对手就是AI自己了，用不断自博弈的方式加强自身。

在强化学习的时候，用到了三个小trick：

• V-Trace：用于处理off-policy的数据，使得数据的收集和训练更加高效。
• UPGO（upgoing）：在策略迭代的时候，当行为策略采取比平均水平更差的动作时，通过引导，从部分轨迹更新策略，使其回报好于预期
• TD（λ）：减小方差，使得训练收敛更稳定
  具体就不展开了。

模型结构

模型结构从最下方开始看。

左下角是人类玩家打法的特征向量，在训练过程中这个向量始终保持一个定值。加入这个向量的目的是为了防止AI在不断自博弈训练的时候“迷失自我”，确保最后训练出来的策略对人类玩家也是有效的。

右边三个输入分别是 特征、单位、地图，不同的信息用不同的方式进行编码，编码后一起输入上面的LSTM。用LSTM的目的就是为了“记住”过去的信息，这是这种动态序贯博弈中非常常用的方法。

LSTM是整个网络结构的关键，里面不包含人类玩家的特征向量。两者会合后就可以用ValueNet对状态进行Value值估计。另外接上MLP后，网络则是依次考虑 动作类型、动作延迟、动作队列、动作单位、目标单位、动作细节等因素。

有了动作，有了动作价值估计，强化学习的AC方法就可以搞起来了。

用AI打dota

Dota 2 with Large Scale Deep Reinforcement Learning, 2019

这个AI迭代了好几版，网上也有不少相关的PR稿，我这里是以最终2019年论文为准的。

整体模型

整体模型如果抽象出来也是异常简单。

观测到的信息加上编码处理，结合5位英雄的信息处理，一起作为LSTM的输入。LSTM就会输出各个动作以及相对应的价值。

这么说可能比较笼统，来具体看一下LSTM后的细节。

网络结构

左边有三个输入，我们从上往下看。左上角是合法的行动，相当于一个mask。
Unit Embeddings 就是具体单位的信息。
现在可以认为，LSTM中保存了过去的信息、和当前的策略。

对可行的动作ID和LSTM点积，处理后得到选择的动作Chosen Action ID。将选择的动作和单位信息相结合，就得到了目标Target Unit。

此外，利用LSTM和动作参数，经过全连接层也可以评价出各个动作信息的具体值。
也就是第一张图中的Value。

值得一提的Surgery技术

这篇论文很长，也讲了很多技术，但是大多和强化学习在MOBA游戏中的应用没有特别大的关系。其中我觉得最有价值的就是这个Surgery技术，也就是“外科手术”。

这个技术的目的是在网络结构和参数改变的情况下进行Net2Net变换，增加/修改网络结构，同时还保证：

也就是对于任意的观测，新网络会输出和旧网络完全一致的决策。尽管他们网络结构、网络参数不同。

这个技术的目的就是在添加新功能、修改网络结构等情况下，不需要从头开始重新训练。

图中蓝色曲线就是从头到尾的一次训练，每一个黑点就是一次成功的Surgery。右边绿色的曲线就是在所有Suergery结束后，从头开始训练一个网络的训练曲线。

我们发现，Surgery确实没有打断训练的进程。这种技术使得中途改变网络架构成为可能。

用AI打王者荣耀

Hierarchical Macro Strategy Model for MOBA Game AI，2018

这篇文章参考的技术其实是dota2那篇文章的前身。虽然正式发布时间比dota2那篇文章早，但技术上蛮多都是直接借鉴的。

这篇文章主要是解决用AI打MOBA游戏的三个痛点：

• 仅靠微观的策略很难训练得到好的“大局观”
• 宏观策略过度依赖手工设计公式
• 队友之间合作不紧密，没有考虑显示合作

文章的做法就是提出“attention”进行策略的宏观调控。
事先说明一下，这里的attention和深度学习中的注意力机制没有关系。

图中深红色的地方，就是英雄“attention”集中的地方，也就是英雄们要去的地方。可以看到，作为开局分配来说，这个行动方式是合理的。

模型结构

那这种attention是怎么训练出来的呢？用监督学习的方式。

在上面Task1中，使用手工编码的信息，比如大龙、男爵出现的时机，要求他们在对应时间把attention放到“对的位置”上，输出的label就是他们的attention。训练取得成效后，用完全一样的网络结构训练其他时候的attention，以此方式来体现出AI的大局观。

在实际游戏的时候，AI们会互相传递他们的attention，这样他们互相之间都能够知道队友接下来要做什么，就不会出现比如只需要一个人就能完成的任务，结果所有人都去了，导致浪费了发育的时间。
通过交换attention的方式，以此来达到“显式的合作”。

王者荣耀 1v1

Mastering Complex Control in MOBA Games with Deep Reinforcement Learning，AAAI2020
提出了一个深度强化学习框架，从系统和算法的角度来解决这个问题。提出的算法包括几种新颖的策略，包括control dependency decoupling，action mask，target action和dual-clip PPO，借助这些策略，可以在系统中有效地训练提出的actor-critic网络。经过MOBA游戏《王者荣耀》的测试，训练有素的AI agent可以在完整的1v1游戏中击败顶尖的职业人类玩家。

系统框架

系统框架也没有什么特别的地方，走的也是 环境编码-内存池-RL 的套路。和dota2一样，对单位、小地图等进行独立的编码，输出的也是多头结构——每个头对应一个可行的动作。

模型结构

左半边是编码，右半边是策略和动作。

其中相比dota2，比较新颖的地方就是加入了上面提到的“attention”。虽然这是1v1的情形，但是用attention还是可以作为一个手工训练的引导，让AI尽可能在正确的时间关注正确的位置。

顺带一提，中间的Value也是直接LSTM过一层线性层直接计算得到的。

reward设计

这就是纯手工设计的了。目的是解决奖励函数“过于稀疏”的问题，毕竟20000帧出一个reward是谁都受不了的。

在设计时还要考虑到这些reward是否稀疏。具体的设计原则论文中也没有详细说明，这里贴出来大家品一品。

王者荣耀 5v5

Towards Playing Full MOBA Games with Deep Reinforcement Learning

整体结构

模型训练的时候，采用了三步走战略。个人理解的核心步骤是第二步的策略蒸馏。

第一步，根据固定阵容提取出大量的英雄池，基本属于5v5且五五开的组合。这些专家数据都是从人类高手对局中得到的。用强化学习、监督学习的方式，得到了N个策略作为Teacher策略。存入一个replay buffer中。

第二步，将N个teacher的策略蒸馏出一个student model。这里用的就是模型蒸馏这一块的方法了。最后，成功地将N个老师的策略提取出来，让student model将它们融会贯通。论文中指出，作者们“经验性地发现”，模型大概2天就训好了，而且得到的结果和阵容不太相关。自然而然想到追加第三步。

第三步，英雄池变动。随机选择英雄池，这样一来，AI就可以像人类玩家一样，在不同的英雄配队的情况下愉快地玩耍了。

网络模型结构

这部分主要是 student model的结构，整体框架都是大同小异。这里面也有attention的机制（毕竟是同一帮人搞的）。

我加了两条橙色的线加以划分，三个区域分别是：状态编码、值估计、动作选择。

结束

终于写完了，整体总结花了不少功夫，有什么不足的地方请大家指出。谢谢！