深度强化学习中实验环境：开源平台框架汇总

当我们设计了一个强化学习算法之后，我们如何来验证算法的好坏呢？就像数据集一样，我们需要一个公认的平台来衡量这个算法。这样的一个平台，最基本的需要有仿真和渲染。

OpenAI Gym and Universe

业界最出名的莫过于 Gym 和 Universe 了。 OpenAI Gym 用于评估和比较强化学习算法的好坏。它的接口支持在任何框架下的算法，像 TensorFlow , Theano , Keras 这些都可以。

Gym 库收集、解决了很多环境的测试过程中的问题，能够很好地使得你的强化学习算法得到很好地 Work 。并且含有游戏界面，能够帮助你去写通用性更强的算法。业界现在主流的就是这个环境。

在各大顶会上经常会看到用于连续控制物理引擎的 MuJoCo 但这个收费的。

RoboSchool

作为 MuJoCo 实现的替代品， OpenAI 开发了基于 Bullet 物理引擎的 Roboschool 。它提供了 OpenAI Gym 形式的接口用于模拟机器人控制。目前包含了12个环境。其中除了传统的类似 MuJoCo 的场景，还有交互控制，及多智能体控制场景。

• GitHub链接：https://github.com/openai/roboschool

• 官网链接：https://openai.com/blog/roboschool/

Gym 中还有用于机械臂的抓取和灵巧手的机械手、机械臂环境 Robotics :

• GitHub链接：https://github.com/openai/gym

• 官网链接：http://gym.openai.com/

OpenAI Universe 相当于是 OpenAI Gym 的一个扩展，它所能提供的环境更加的复杂，有即时战略游戏的味道，对决策时间有一定的要求。

Universe 的发布也算是业界福音，任何程序都可以被转换成一个 Gym 的环境。 Universe 通过自动启动程序在一个 VNC 远程桌上进行工作，所以它不需要对程序内部、源码或者 bot API 的特别访问。环境被打包 Docker 镜像，安装使用将更加方便。

• GitHub链接：https://github.com/openai/universe

• 官网链接：https://openai.com/blog/universe/

DeepMind Lab

DeepMind Lab 是一个第一人称 3D 游戏平台，它以丰富的科幻视觉来呈现场景。可用的操作能让智能体环顾四周，并以 3D 的形式移动。示例任务包括收集水果、走迷宫、穿越危险的通道且要避免从悬崖上坠落、使用发射台在平台间移动、玩激光笔、以及快速学习并记住随机生成的环境。 DeepMind Lab 已经成为 DeepMind 内部的一个主要研究平台， DeepMind Lab 同时拥有更丰富的视觉效果和更自然的物理效果。

• 官网链接：https://deepmind.com/research/publications/deepmind-lab

• GitHub链接：https://github.com/deepmind/lab

Project Malmo

Malmo 由微软剑桥研究员 Katja Hofmann 带领开发，是 Microsoft 基于 Minecraft (我的世界)开发的一个人工智能实验和研究平台。这个平台也还用于第一届 协同AI挑战赛 。

Malmo 是用于 多智能体强化学习算法 的开源平台，要求智能体之间相互合作，将协同AI做到极致。并且研究人员还可以加速《我的世界》中的时钟，加快试验速度。

• GitHub链接：https://github.com/crowdAI/marLo

• 协同AI挑战赛官网：https://www.microsoft.com/en-us/research/academic-program/collaborative-ai-challenge/

ViZDoom

ViZDoom 提供了用AI玩毁灭战士游戏的环境(一人称射击类游戏)。它提供的是一个多智能体竞争博弈的一个环境，用于测试算法的好坏。

• GitHub链接：https://github.com/mwydmuch/ViZDoom