一、软件介绍
文末提供程序和源码下载
（ML-Agents） 是一个开源项目，使游戏和模拟能够用作训练智能代理的环境。我们提供最先进算法的实现（基于 PyTorch），使游戏开发人员和业余爱好者能够轻松训练 2D、3D 和 VR/AR 游戏的智能代理。研究人员还可以使用提供的易于使用的 Python API 来使用强化学习、模仿学习、神经进化或任何其他方法训练代理。这些经过训练的代理可用于多种用途，包括控制 NPC 行为（在各种设置中，例如多代理和对抗）、游戏构建的自动化测试以及在发布前评估不同的游戏设计决策。ML-Agents 工具包对游戏开发人员和 AI 研究人员都是互惠互利的，因为它提供了一个中央平台，可以在 Unity 丰富的环境中评估 AI 的进步，然后提供给更广泛的研究和游戏开发人员社区。
二、Features 特征
- 17+ example Unity environments
17+ 示例 Unity 环境 - Support for multiple environment configurations and training scenarios
支持多种环境配置和培训场景 - Flexible Unity SDK that can be integrated into your game or custom Unity scene
灵活的 Unity SDK，可以集成到您的游戏或自定义 Unity 场景中 - Support for training single-agent, multi-agent cooperative, and multi-agent competitive scenarios via several Deep Reinforcement Learning algorithms (PPO, SAC, MA-POCA, self-play).
支持通过多种深度强化学习算法（PPO、SAC、MA-POCA、自播放）训练单智能体、多智能体协作和多智能体竞争场景。 - Support for learning from demonstrations through two Imitation Learning algorithms (BC and GAIL).
支持通过两种模仿学习算法（BC 和 GAIL）从演示中学习。 - Quickly and easily add your own custom training algorithm and/or components.
快速轻松地添加您自己的自定义训练算法和/或组件。 - Easily definable Curriculum Learning scenarios for complex tasks
易于定义的课程学习场景，适用于复杂任务 - Train robust agents using environment randomization
使用环境随机化训练稳健的代理 - Flexible agent control with On Demand Decision Making
通过按需决策实现灵活的座席控制 - Train using multiple concurrent Unity environment instances
使用多个并发 Unity 环境实例进行训练 - Utilizes the Sentis to provide native cross-platform support
利用 Sentis 提供本机跨平台支持 - Unity environment control from Python
来自 Python 的 Unity 环境控制 - Wrap Unity learning environments as a gym environment
将 Unity 学习环境打包为健身房环境 - Wrap Unity learning environments as a PettingZoo environment
将 Unity 学习环境打包为 PettingZoo 环境
三、其他资源
如果您是一名研究人员，并且对讨论 Unity 作为 AI 平台感兴趣，请参阅我们关于 Unity 和 ML-Agents Toolkit 的参考论文的预印本。
If you use Unity or the ML-Agents Toolkit to conduct research, we ask that you cite the following paper as a reference:
如果您使用 Unity 或 ML-Agents Toolkit 进行研究，我们要求您引用以下论文作为参考：
<span style="background-color:var(--bgColor-muted, var(--color-canvas-subtle))"><span style="color:#1f2328"><span style="color:var(--fgColor-default, var(--color-fg-default))"><span style="background-color:var(--bgColor-muted, var(--color-canvas-subtle))"><code>@article{juliani2020,
title={Unity: A general platform for intelligent agents},
author={Juliani, Arthur and Berges, Vincent-Pierre and Teng, Ervin and Cohen, Andrew and Harper, Jonathan and Elion, Chris and Goy, Chris and Gao, Yuan and Henry, Hunter and Mattar, Marwan and Lange, Danny},
journal={arXiv preprint arXiv:1809.02627},
url={https://arxiv.org/pdf/1809.02627.pdf},
year={2020}
}
</code></span></span></span></span>Additionally, if you use the MA-POCA trainer in your research, we ask that you cite the following paper as a reference:
此外，如果您在研究中使用 MA-POCA trainer，我们要求您引用以下论文作为参考：
<span style="background-color:var(--bgColor-muted, var(--color-canvas-subtle))"><span style="color:#1f2328"><span style="color:var(--fgColor-default, var(--color-fg-default))"><span style="background-color:var(--bgColor-muted, var(--color-canvas-subtle))"><code>@article{cohen2022,
title={On the Use and Misuse of Absorbing States in Multi-agent Reinforcement Learning},
author={Cohen, Andrew and Teng, Ervin and Berges, Vincent-Pierre and Dong, Ruo-Ping and Henry, Hunter and Mattar, Marwan and Zook, Alexander and Ganguly, Sujoy},
journal={RL in Games Workshop AAAI 2022},
url={http://aaai-rlg.mlanctot.info/papers/AAAI22-RLG_paper_32.pdf},
year={2022}
}
</code></span></span></span></span>软件下载
本文信息来源于GitHub作者地址：https://github.com/Unity-Technologies/ml-agents