论文题目: Mastering Complex Controlin MOBA Games with DeepReinforcement Learning
主要贡献
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。
系统架构
考虑到复杂的Agent控制问题可能会引入随机梯度的高方差问题，在王者荣耀1V1中，大的batch size可以加速训练，所以文章所采用的强化学习架构由四部分构成：
- RL Learner：是一个分布式训练环境，并行从pool采样得到梯度，同步全部梯度取均值，更新策略后将策略传给AI Server。
- AI Server：涵盖了游戏环境和AI之间的交互逻辑，用来产生数据。即从游戏中收集state，预测英雄行为。在使用中，一台AI服务器绑定一个cpu内核。我们构建了快速推断库FeatherCNN，以来更有效的生成推断模型。开源地址：https://github.com/Tencent/FeatherCNN
- Dispatch Module：从多个AI server搜集数据并压缩、打包奥、传送到Memory
- Memory Pool：也是服务器。它的内部实现为内存高效的循环队列，用于数据存储。它支持各种长度的样本以及基于生成时间的数据样本
算法设计
Reinforcement Learning用的还是熟悉的actor-critic网络，具体如下图所示：
- 状态设计：如上图；将图像特征fi，向量特征fu和游戏状态信息fg（可观察到的游戏状态）分别通过卷积层、最大池化层和全连接层编码。LSTM输出动作按钮和移动方向。
- 动作解耦：认为动作之间独立，目标为最终几个策略累积奖励之和；
- 初始随机动作产生数据；
- action mask：根据专家经验去掉明显不合理、受限制的动作；
- dual-PPO：原始PPO在Advantage小于0的时候也容易产生大的策略梯度，作者改进了PPO，使其支持大范围的数据训练。
dual-PPO公式：
实验部分
实验运用了大量的CPU和GPU资源。框架运行在封装在Dockers和1,064个Nvidia GPU（Tesla P40和V100的混合物）中的总共600,000个CPU内核上。我们框架的数量允许并行实验。数据用float16存储，训练时转成float32。minibatch为4096。每个epoisode从游戏开始到结束。每天的数据量相当于人类玩500年的数据。PPO的eps=0.2，c=3，折扣因子是0.997，half-life大概46秒。GAE的lambda=0.97。游戏时按顶级玩家的133ms反应时间进行预测。训练时间跟Elo的曲线如下：
由上图可知训练6小时打败内置行为树，30小时达到top 1%人类水平，70小时达到专业水平。
我们训练的AI强化学习跟人类顶级玩家进行1v1的竞赛
Reward设计
