论文笔记：Honor of Kings Arena: an Environment forGeneralization in Competitive Reinforcement Learning

NIPS 2022

1· abstract & intro

• 提出了一个基于王者荣耀1V1的强化学习环境（开悟对战平台）
  • 可以模拟王者MOBA 1v1的游戏引擎
  • 多agent问题（玩家agent，对手agent）
  • 需要一定的泛化能力
    • 不同己方英雄（target）来控制
    • 不同敌方英雄来对战
    • ——>一个好的AI模型需要在控制不同己方英雄对战不同敌方英雄时，都有稳定的表现
  • 要赢下一局比赛，agent需要进行规划、攻击、防御、连招等很多方面的动作决策，同时在部分可观测的环境中考虑对手的状态和行为

a——王者1V1（墨家机关道）地图

b——不同敌方英雄的泛化能力（比如敌方是貂蝉和干将）

c——不同己方英雄的泛化能力（比如我方是貂蝉和干将）

• 描述了观测、动作、奖励
  • 复杂的观测和动作被定义为低维的特征
  • 定义了多种奖励
• 提供了开源的基于python的接口
  • 简单&标准的API，来使得王者荣耀上的RL简单直接
  • AI Arena Competition (tencent.com)
  • tencent-ailab/hok_env (github.com)

2 开悟游戏环境

2.1 游戏目标

• agent最基本的目标就是摧毁敌方水晶，同时己方水晶完好
  • 游戏开始后控制英雄，通过击杀敌对单位、摧毁敌方防御塔获得金币和经验
• 目前有的英雄是红框里的这些（看起来有点年头了，云中赛年的暃、桑启、戈雅、海月都没有233）
•  目前只实现了20个英雄，所以一共有20*20=400种task

 2.2 agent

2.2.1 observation

• 对于不同英雄来说，观测空间应该是一样的
  • ——>这样才可能在不同任务之间进行泛化
• 观测空间主要由五块组成
  • 
  • （露娜应该是普攻接月光标记、鲁班是普攻接扫射，为啥橘子需要9个状态。。。） 

 2.2.2 动作空间

• 也是所有英雄一致
  • 摁哪个按钮
  • 以谁为目标
  • 怎么执行这个动作（释放动作/移动的方位）

 

 

2.2.3 奖励

 2.2.4 episode dynamics

• 在开悟中，每133ms进行一个动作
  • ——>匹配顶层业余玩家的水平
• 游戏局中的限制有状态转换规则限制（比如防御塔不掉，水晶不会受伤害）

3 比较对象

开悟和不同类型的agent进行比赛

• 一个决策树AI（BT）
  • 匹配黄金段位水准
• 训练的agent

4 validation

在接下来的实验中，购买的装备数，学习的技能都是一样的（重点关注agent比赛中的技巧）

4.1 baseline

使用了PPO和APE-X DQN

使用和原始论文一致的超参数和配置

4.2 在不同资源上的可行性

（貂蝉内战）

通过实验证明，CPU数量（非GPU数量）是决定战胜BT所需时间的因素

CPU核越多，所需时间越少

 4.3 不同模型的表现

（貂蝉内战）

 4.4 和BT的比较

PPO VS BT

 5 对战RL的泛化能力挑战

随着双方英雄的不同，环境也随即发生改变，这里开展了两个实验来说明强化学习迁移性的挑战。

5.1 不同对手之间的迁移能力

---

• 红色：用貂蝉内战进行训练，用貂蝉和20个英雄对战进行测试
• 绿色：multi-task，用貂蝉和貂蝉/火舞/露娜/干将/钟馗的对战进行训练，用貂蝉和20个英雄对战进行测试
• 蓝色：丛五个模型中蒸馏，得到student network，用策略来控制貂蝉和20个英雄对战进行测试

5.2 不同玩家控制英雄之间的迁移能力

5.3 不同等级的模型（用于评估）

不难发现，在5.1和5.2中，各种方法下，打婉儿、老虎、鲁班的胜率都是0，这不利于评价和衡量模型

——>这里提供了不同等级的trained agent