DRL-for-Path-Planning

PyTorch版SAC-Auto强化学习算法与应用示例

更新： 1.弃用gym，使用gymnasium，环境支持向量化仿真 2.通过gym.make和gym.make_vec创建环境 3.通过make时设置render_mode="human"可视化环境，不用手动调用render，其余render_mode不可视化

待更新： 1.算法支持环境并行 2.根据观测空间自动生成replay buffer，不用手动实现 3.n-step replay 和 PER replay 4.DQN、TD3、PPO等算法

零.SAC-Auto算法:

自定义程度高的SAC-Auto算法，支持部署策略模型、备份训练过程、多源观测融合、PER等功能

论文：《Soft Actor-Critic Algorithms and Applications （arXiv: 1812) 》# 不是1801版

(0).SAC_Agent模块

SAC-Auto算法主模块

0.初始化接口

agent = SAC_Agent(env, kwargs=...)      # 初始化算法, 并设置SAC的训练参数
agent.set_buffer(buffer)                # 为算法自定义replay buffer
agent.set_nn(actor, critic, kwargs=...) # 为算法自定义神经网络
# 更多具体接口信息通过help函数查看DocString

1.Torch接口

agent.to('cpu') # 将算法转移到指定设备上
agent.cuda(0)   # 将算法转移到cuda0上运算
agent.cpu()     # 将算法转移到cpu上运算

2.IO接口

agent.save('./训练备份')              # 存储算法训练过程checkpoint
agent.load('./训练备份')              # 加载算法训练过程checkpoint
agent.export('策略.onnx', kwargs=...) # 部署训练好的onnx策略模型

3.训练交互接口

act_array = agent.select_action(obs, kwargs=...) # 环境交互, 基于策略选择-1~1的随机/确定动作
act_array = agent.random_action()                # 环境随机探索, 完全随机产生-1~1的动作
agent.store_memory(transition, kwargs=...)       # 存储环境转移元组(s, a, r, s_, done)
info_dict = agent.learn(kwargs=...)              # 进行一次SAC优化, 返回Loss/Q函数/...

4.其余接口/属性 (非用户调用接口，可在派生SAC_Agent模块中覆写)

obs_tensor = agent.state_to_tensor(obs, kwargs=...) # 将Gym返回的1个obs转换成batch_obs, 用于处理混合输入情况, 默认跟随buffer设置
batch_dict = agent.replay_memory(batch_size, kwargs=...) # 经验回放, 用于实现花样经验回放, 默认跟随buffer设置
agent.buffer_len # 算法属性, 查看当前经验个数, 默认跟随buffer设置
agent.use_per # 算法属性, 查看是否使用PER, 默认跟随buffer设置

(1).SAC_Actor模块和SAC_Critic模块

实现自定义 观测Encoder + 策略函数 + Q函数

0.自定义神经网络要求

• 要求 观测Encoder 输入为观测 batch_obs 张量，输出形状为(batch, feature_dim)的特征 batch_feature 张量。要求forward函数只接受一个位置参数obs，混合观测要求传入的obs为张量字典dict[any, Tensor] / 张量列表list[Tensor] / 张量元组tuple[Tensor, …]。
• 要求 策略函数 输入为特征 batch_feature 张量，输出形状为(batch, action_dim)的未经tanh激活的均值 batch_mu 张量和对数标准差 batch_logstd 张量。要求forward函数只接受一个位置参数feature，形状为(batch, feature_dim)。
• 要求 Q函数 输入为特征 batch_feature 张量+动作 batch_action 张量，输出形状为(batch, 1)的Q值 batch_q 张量。要求forward函数只接受一个位置参数 feature_and_action，形状为(batch, feature_dim+action_dim)。

1.自定义神经网络示例

FEATURE_DIM = 128
ACTION_DIM = 3

# 自定义观测Encoder
class MyEncoder(nn.Module):
    def __init__(self):
        super().__init__()
        self.encoder = ... # user encoder: CNN、RNN、Transformer、GNN ... 
        self.mlp = nn.Sequential(
            nn.Linear(..., FEATURE_DIM),
            nn.ReLU(True),
        )
    def forward(self, observation):
        feature = self.mlp(self.encoder(observation))
        return feature

encoder_net = MyEncoder()

# 自定义策略函数
class MyPolicy(nn.Module):
    def __init__(self):
        super().__init__()
	self.mlp = nn.Sequential(
            nn.Linear(FEATURE_DIM, 128),
            nn.ReLU(True),
	    nn.Linear(128, ACTION_DIM), # no activation
        )
    def forward(self, feature):
        return self.mlp(feature)

mu_net, logstd_net = MyPolicy(), MyPolicy()

# 自定义TwinQ函数
class MyQfun(nn.Module):
    def __init__(self):
        super().__init__()
	self.mlp = nn.Sequential(
            nn.Linear(FEATURE_DIM + ACTION_DIM, 128),
            nn.ReLU(True),
	    nn.Linear(128, 1), # no activation
        )
    def forward(self, feature_and_action):
        return self.mlp(feature_and_action)

q1_net, q2_net = MyQfun(), MyQfun()

# 为算法设置神经网络
actor = SAC_Actor(encoder_net, mu_net, logstd_net, kwargs=...) # 实例化actor网络
critic = SAC_Critic(encoder_net, q1_net, q2_net)               # 实例化critic网络

agent.set_nn(
    actor, 
    critic, 
    actor_optim_cls = th.optim.Adam, 
    critic_optim_cls = th.optim.Adam, 
    copy = True
)

(2).BaseBuffer模块

0.自定义Buffer要求

实现自定义经验回放，可自定义存储不同数据类型的混合观测数据（进行一些多传感器数据融合的端到端控制问题求解），也可自定义实现PER等功能。

要求在派生类中实现以下抽象方法（输入参数和返回数据的格式参考DocString)，可参考demo_train.py中派生类实现方法：

1.自定义Buffer示例

MAX_SIZE = int(2**20)
OBS_SPACE = env.observation_space
ACT_SPACE = env.action_space

# 自定义Buffer
class Buffer(BaseBuffer):
    def __init__(self, max_size: int, obs_space: Space, act_space: Union[Box, Discrete]):
        super().__init__()
        # 控制参数
	self.max_size = max_size
        self.curr_size = 0
        self.ptr = 0
        # 数据存储模块
        self.obs_space = obs_space
        self.act_space = act_space
        self.data = ... # user collection
  
    def reset(self, *args, **kwargs):
        self.curr_size = 0
        self.ptr = 0

    def push(
        self, 
        transition: tuple[Obs, Act, float, Obs, bool], 
        terminal: bool = None, 
        **kwargs
    ):
	# add transtion
        self.data[self.ptr] = ... 
	# update
        self.ptr = (1 + self.ptr) % self.max_size
        self.curr_size = min(1 + self.curr_size, self.max_size)

    def sample(
        self, 
        batch_size: int = 1, 
        *,
        idxs: ListLike = None,
        rate: float = None,
        **kwargs,
    ) -> dict[str, Union[ObsBatch, ActBatch, th.FloatTensor]]:
        # sample indexes
	idxs = idxs or np.random.choice(self.curr_size, size=batch_size, replace=False)
	# get data
	batch = {
	    "s": self.data[idxs] # device: self.device; shape: (batch_size, ...); type: FloatTensor / tuple[FloatTensor, ...] / list[FloatTensor] / dict[any, FloatTensor]
            "a": ...             # device: self.device; shape: (batch_size, act_dim(TD3/SAC/PPO) / 1(DQN/DSAC/DPPO)); type: FloatTensor(TD3/SAC/PPO) / LongTensor(DQN/DSAC/DPPO)
            "r": ...             # device: self.device; shape: (batch_size, 1); type: FloatTensor
            "s_": ...            # device: self.device; shape: (batch_size, ...); type: FloatTensor / tuple[FloatTensor, ...] / list[FloatTensor] / dict[any, FloatTensor]
            "done": ...          # device: self.device; shape: (batch_size, 1); type: FloatTensor
	}
        return batch

    def state_to_tensor(self, state: Obs, use_rnn=False) -> ObsBatch:
	# Easy Obs
        return th.FloatTensor(state).unsqueeze(0).to(self.device) # no_rnn: shape = (1, ...); use_rnn: shape = (1, 1, ...) 
        # Mixed Obs
        return {k: th.FloatTensor(state[k]).unsqueeze(0).to(self.device) for k in state.keys()}
        return [th.FloatTensor(state[i]).unsqueeze(0).to(self.device) for i in range(len(state))]
        return tuple(th.FloatTensor(state[i]).unsqueeze(0).to(self.device) for i in range(len(state)))

# 为算法设置Buffer
buffer = Buffer(MAX_SIZE, OBS_SPACE, ACT_SPACE) # 实例化buffer模块
agent.set_buffer(buffer)

一.路径规划环境SAC应用示例:

路径规划环境包 path_plan_env

(0).环境接口

gym标准接口格式

# 实例化环境
import path_plan_env # 将路径规划环境添加到gym注册表
import gymnasium as gym
env = gym.make("PathPlan-v0", render_mode="human")

# 训练/测试交互
obs, info = env.reset(seed=114514)
while 1:
    act = env.action_space.sample() # shape=(act_dim, ) range∈-1~1
    obs, rew, done, timeout, info = env.step(act)
    if done or timeout:
        break

支持向量化交互

# 实例化vector环境
import path_plan_env # 将路径规划环境添加到gym注册表
import gymnasium as gym
from gymnasium.wrappers.vector import DictInfoToList

env = gym.make_vec("PathPlan-v0", num_envs=1024, render_mode="human")
env = DictInfoToList(env)

# 训练/测试交互
obs, info = env.reset(seed=114514)
for i in range(max_iterations):
    act = env.action_space.sample() # shape=(num_envs, act_dim) range∈-1~1
    obs, rew, done, timeout, info = env.step(act)

(1).动力学路径规划环境（PathPlan-v0）

动力学层面规划，学习控制量

env = gym.make("PathPlan-v0", render_mode="human")
"""
gym.make参数:
    max_time_steps (int): 最大仿真步数. 默认500.
    dt (float): 决策周期. 默认0.5.
    normalize_observation (bool): 是否输出归一化的观测. 默认True.
    use_sparse_reward (bool): 是否只使用终端时刻奖励, 即不叠加过程奖励. 默认False
    plot_interval (int): 绘图episode间隔. 默认50.
    render_mode (str): 可视化模式.
"""

0.雷达感知模型

发射n条射线，雷达测距数据结构：

$$ \mathbf{points} = \left [ d_0,d_1,\dots ,d_{n-1} \right ] $$

$$ \begin{cases} d_{i}\in \left [ 0,d_{max} \right ] & \text{ if } d_{i,real}\le d_{max} \ d_{i}=-1 & \text{ if } d_{i,real}> d_{max} \end{cases} $$

1.转移模型（东天南坐标系）

动力学模型：

$$ \left{\begin{array}{l} \frac{d x}{d t}=V \cos \theta \cos \psi \ \frac{d y}{d t}=V \sin \theta \equiv 0\ \frac{d z}{d t}=-V \cos \theta \sin \psi \ \frac{d V}{d t}=g\left(n_{x}-\sin \theta\right) \ \frac{d \theta}{d t}=\frac{g}{V}\left(n_{y} \cos \mu-\cos \theta\right)\equiv 0 \ \frac{d \psi}{d t}=-\frac{g n_{y} \sin \mu}{V \cos \theta} \end{array}\right. $$

状态空间（BoxSpace）：

$$ \mathbf{s} \subset \text{Box} \left { x,z,V,\psi \right } $$

$$ V \in \left [ 0.05,0.2 \right ] $$

控制空间（BoxSpace）：

$$ \mathbf{u} \subset \text{Box} \left { n_{x},\mu \right } $$

$$ n_{x}\in \left [ -0.02,0.02 \right ] $$

$$ \mu \in \left [ -0.005,0.005 \right ] $$

2.观测空间&动作空间

2.0观测空间（DictSpace）：

$$ \mathbf{o} \subset \text{Dict}\left { \mathbf{vector} {t-N+1:t}:\text{Box}\left { D,V,q \right }, \mathbf{points}{t-N+1:t}:\text{Box}\left { d_0,d_1,\dots ,d_{n-1} \right } \right } $$

D为距离、V为速度、q为视线角、points为雷达测距

2.1动作空间（BoxSpace）：

$$ \mathbf{a} \subset \text{Box} \left { a_0,a_1 \right } $$

3.奖励函数

注意：环境内置的_get_rew方法计算的奖励不保证收敛，仅提供了一个奖励设计示例代码，内置的onnx模型通过多轮训练得到，随轮次增大逐渐减小过程奖励的比重。 _get_rew需要按实际需求设计，如果嫌麻烦，可直接去掉过程奖励（gym.make时设置use_sparse_reward=True），只使用终端时刻的稀疏奖励训练。收敛可能更困难，但能有效防止过程奖励导致的局部最优解或者reward hacking行为。

4.训练结果

5.仿真结果

(2).路径搜索环境（PathSearch-v0）

几何层面规划，直接找n个点组成路径，学习组成路径的点

搭着玩的环境，无任何意义（无法泛化），不如直接使用A*等搜索算法

env = gym.make("PathSearch-v0", render_mode="human")
"""
gym.make参数:
    num_pos (int): 起点终点之间的航点个数. 默认6.
    max_search_steps (int): 最大搜索步数. 默认200.
    render_mode (str): 可视化模式.
"""

0.转移模型

$$ \mathbf{s}{new} \gets \mathbf{s}{old} + \mathbf{a} $$

1.观测空间&动作空间

1.0观测空间（BoxSpace）:

$$ \mathbf{s} = \mathbf{o} \subset \text{Box} \left { x_{0},y_{0},\dots x_{n-1},y_{n-1} \right } $$

1.1动作空间（BoxSpace）:

$$ \mathbf{a} \subset \text{Box} \left { dx_{0},dy_{0},\dots dx_{n-1},dy_{n-1} \right } $$

2.仿真结果

二.Requirement:

算法依赖项：

gymnasium <= 1.2.0

pytorch >= 1.10.2

onnx >= 1.13.1

onnxruntime >= 1.15.1

cpprb == 11.0.0

广告：

Path-Planning: 路径规划算法，A*、Dijstra、Hybrid A*等经典路径规划

Grey-Wolf-Optimizer-for-Path-Planning: 灰狼优化算法路径规划、多智能体/多无人机航迹规划