lab

DeepMind Lab é um ambiente de aprendizagem 3D baseado no Quake III Arena da id Software via ioquake3 e outros softwares de código aberto.

O DeepMind Lab oferece um conjunto de tarefas desafiadoras de navegação 3D e resolução de quebra-cabeças para agentes de aprendizagem. Seu objetivo principal é atuar como um banco de testes para pesquisas em inteligência artificial, especialmente aprendizado por reforço profundo.

Sobre

Isenção de responsabilidade: este não é um produto oficial do Google.

Se você usa o DeepMind Lab em sua pesquisa e gostaria de citar o ambiente do DeepMind Lab , sugerimos que cite o artigo do DeepMind Lab.

Você pode entrar em contato conosco em [email protected].

Introdução ao Linux

• Obtenha o Bazel em bazel.io.

• Clone o DeepMind Lab, por exemplo, executando

$ git clone https://github.com/deepmind/lab
$ cd lab

Para obter um exemplo ao vivo de um agente aleatório, execute

lab$ bazel run :python_random_agent --define graphics=sdl -- 
               --length=10000 --width=640 --height=480

Aqui está uma documentação de construção mais detalhada, incluindo como instalar dependências se você não as tiver.

Para ativar otimizações do compilador, passe o sinalizador --compilation_mode=opt ou -c opt para abreviar, para cada comando bazel build , bazel test e bazel run . A bandeira é omitida dos exemplos aqui por questões de brevidade, mas deve ser usada para treinamento e avaliação reais onde o desempenho é importante.

Jogue como um humano

Para testar o jogo usando controles de entrada humana, execute

lab$ bazel run :game -- --level_script=tests/empty_room_test --level_setting=logToStdErr=true
# or:
lab$ bazel run :game -- -l tests/empty_room_test -s logToStdErr=true

Deixe a configuração logToStdErr desativada para desativar a maior parte da saída de log.

Os valores das observações que o ambiente expõe podem ser impressos a cada passo adicionando uma flag --observation OBSERVATION_NAME para cada observação de interesse.

lab$ bazel run :game -- --level_script=lt_chasm --observation VEL.TRANS --observation VEL.ROT

Treine um agente

O DeepMind Lab vem com um exemplo de agente aleatório em python/random_agent.py que pode ser usado como ponto de partida para implementar um agente de aprendizagem. Para permitir que este agente interaja com o DeepMind Lab para treinamento, execute

lab$ bazel run :python_random_agent

A API Python é usada para interações agente-ambiente. Também fornecemos ligações para a API geral "dm_env" do DeepMind para aprendizado por reforço, bem como uma maneira de construir um pacote PIP independente; consulte a documentação separada para obter detalhes.

O DeepMind Lab vem com diferentes níveis, implementando tarefas diferentes. Essas tarefas podem ser configuradas usando scripts Lua, conforme descrito na API Lua.

---

Fontes a montante

DeepMind Lab é construído a partir do mecanismo de jogo ioquake3 e usa as ferramentas q3map2 e bspc para criação de mapas. Correções de bugs e limpezas originadas nesses projetos são melhor corrigidas no upstream e depois mescladas no DeepMind Lab .

• bspc foi retirado de github.com/TTimo/bspc, revisão d9a372db3fb6163bc49ead41c76c801a3d14cf80. Praticamente não há modificações locais, embora integremos esse código ao código principal do ioq3 e não utilizemos sua cópia no diretório deps . Esperamos que este código seja estável.

• q3map2 foi retirado de github.com/TTimo/GtkRadiant, revisão d3d00345c542c8d7cc74e2e8a577bdf76f79c701. Algumas pequenas modificações locais adicionam sincronização. Também esperamos que este código seja estável.

• ioquake3 foi retirado de github.com/ioquake/ioq3, revisão 29db64070aa0bae49953bddbedbed5e317af48ba. O código contém extensas modificações e adições. Nosso objetivo é mesclar alterações upstream ocasionalmente.

Somos muito gratos aos mantenedores desses repositórios por todo o seu trabalho árduo na manutenção de bases de código de alta qualidade.

Dependências externas, pré-requisitos e notas de portabilidade

Atualmente, o DeepMind Lab é enviado apenas como código-fonte. Depende de algumas bibliotecas de software externas, que enviamos de diversas maneiras diferentes:

• As bibliotecas zlib , glib , libxml2 , jpeg e png são referenciadas como fontes externas do Bazel e os arquivos Bazel BUILD são fornecidos. O código dependente em si deve ser bastante portátil, mas as regras BUILD que fornecemos são específicas para Linux em x86. Para construir em uma plataforma diferente, você provavelmente terá que editar esses arquivos BUILD.

• Algoritmos de resumo de mensagens estão incluídos neste pacote (em //third_party/md ), retirados das implementações de referência de seus respectivos RFCs. Uma "API genérica de aprendizagem por reforço" está incluída em //third_party/rl_api , que também foi criada pelos autores do DeepMind Lab . Este código é portátil.

• Os cabeçalhos EGL estão incluídos neste pacote (em //third_party/GL/{ EGL , KHR } ), retirados do Khronos OpenGL/OpenGL ES XML API Registry em www.khronos.org/registry/EGL. Os cabeçalhos foram ligeiramente modificados para remover a dependência do EGL no X.

• Várias bibliotecas adicionais são necessárias, mas não são enviadas de nenhuma forma; eles devem estar presentes em seu sistema:

  • SDL 2
  • gettext (exigido por glib )
  • OpenGL: Um driver de hardware e uma biblioteca são necessários para jogos humanos acelerados por hardware. A biblioteca headless que os agentes de aprendizado de máquina desejarão usar pode usar renderização acelerada por hardware via EGL ou GLX ou renderização de software via OSMesa, dependendo da configuração de compilação --define headless=... .
  • Python 2.7 (outras versões também podem funcionar) com NumPy, PIL (alguns testes requerem uma versão NumPy de pelo menos 1.8) ou Python 3 (pelo menos 3.5) com NumPy e Pillow.

As regras de construção usam algumas configurações do compilador específicas do GCC. Se alguns sinalizadores não forem reconhecidos pelo seu compilador (normalmente seriam supressões de aviso específicas), talvez seja necessário editar esses sinalizadores. Os avisos devem ser barulhentos, mas inofensivos.