유니티를 이용하여 직접 게임을 제작하고 ML-Agents로 강화학습 환경을 구성해 보자! 

 

유니티 ML-Agents는 게임 엔진인 유니티를 통해 제작한 시뮬레이션 환경을 강화학습을 위한 환경으로 만들어주는 고마운 도구이다. ML-Agents를 통해 많은 개발자, 연구자들이 원하는 강화학습 환경을 직접 만들 수 있게 되면서 ML-Agents는 학술적, 산업적으로 강화학습의 사용에 있어 중요한 도구가 되었다. 하지만 아직까지도 ML-Agents, 그중에서도 특히 ML-Agents 2.0 이후의 버전을 다루는 참고 자료가 많지 않기 때문에 ML-Agents를 사용하는 데 어려움이 많았다.

 

이 책은 2022년에 출간된 《파이토치와 유니티 ML-Agents로 배우는 강화학습》의 후속편으로 더욱 깊이 있는 강화학습에 대한 이론과 코드, 이를 위한 환경 제작 방법 등을 다루고 있다.

★ 이 책에서 다루는 내용 ★

 

◎ 응용 강화학습 환경 제작: 닷지, 퐁, 방탈출, 메이즈, 투 미션

◎ 응용 강화학습 알고리즘과 이를 응용하기 위한 기법들의 이론 및 학습 코드 구현: PPO, Attention,RND, MA-POCA, HyperNetworks

◎ 분산 학습, 커리큘럼 학습, 가변 입력 환경, 자가 학습, 멀티에이전트, 어려운 탐험 환경, 다중 골 환경 등 ML-Agents를 이용한 다양한 학습 방법 제공

◎ Python API와 mlagents-learn을 통한 응용 강화학습 알고리즘 설정 및 학습 방법

[목 차]

▣ 00장: 유니티와 ML-Agents 설치하기 

유니티와 ML-Agents 설치하기 

__유니티 허브 다운로드 및 설치 

__유니티 라이선스 활성화 

__유니티 에디터 설치 

ML-Agents 설치 

__ML-Agents 파일 내려받기 

__유니티에 ML-Agents 설치하기 

__ML-Agents 파이썬 패키지 설치하기 

 

▣ 01장: 유니티와 ML-Agents 설치하기 

1.1 프로젝트 시작하기 

1.2 닷지 환경 구성하기 

1.3 스크립트 작성하기 

__1.3.1 스크립트 파일 생성 및 설정 

__1.3.2 DodgeScene 스크립트 

__1.3.3 BallScript 스크립트 

__1.3.4 Area 스크립트 

__1.3.5 DodgeAgent 스크립트 

1.4 닷지 환경 설정 및 환경 빌드 

 

▣ 02장: Proximal Policy Optimization (PPO) 

2.1 PPO 알고리즘의 개요 

2.2 PPO 알고리즘의 이론 

__2.2.1 PPO 알고리즘의 목적함수 

__2.2.2 PPO의 분산학습 

__2.2.3 PPO의 네트워크 구조 

__2.2.4 PPO 알고리즘의 학습 

__2.2.5 PPO 알고리즘의 성능 

2.3 PPO 코드 

__2.3.1 라이브러리 불러오기 

__2.3.2 파라미터 값 설정 

__2.3.3 Model 클래스 

__2.3.4 Agent 클래스 

__2.3.5 Main 함수 

__2.3.6 학습 결과 

2.4 mlagents-learn (파라미터 랜덤화) 

2.5 커리큘럼 학습 

__2.5.1 mlagents-learn을 이용한 커리큘럼 학습 

__2.5.2 Python-API를 이용한 커리큘럼 학습 

 

▣ 03장: 가변적인 입력 환경과 어텐션 

3.1 가변적인 입력 환경의 개요 

3.2 닷지 환경 수정(가변적인 입력 환경) 

3.3 어텐션 기법의 이론 

__3.3.1 멀티 헤드 어텐션 

__3.3.2 강화학습에서 어텐션의 적용 

3.4 어텐션 PPO 코드 

__3.4.1 라이브러리 불러오기 

__3.4.2 파라미터 값 설정 

__3.4.3 Model 클래스 

__3.4.4 Agent 클래스 

__3.4.5 Main 함수 

__3.4.6 학습 결과 

 

▣ 04장: 퐁 환경 만들기 

4.1 프로젝트 시작하기 

4.2 퐁 환경 구성하기 

4.3 스크립트 작성하기 

__4.3.1 스크립트 파일 생성 

__4.3.2 PongAgent 스크립트 

__4.3.3 EnvController 스크립트 

4.4 퐁 환경 설정 및 환경 빌드 

 

▣ 05장: 적대적 강화학습 

5.1 적대적 강화학습 개요 

5.2 적대적 PPO 코드 

__5.2.1 라이브러리 불러오기 

__5.2.2 파라미터 값 설정 

__5.2.3 Model 클래스 

__5.2.4 Agent 클래스 

__5.2.5 Main 함수 

__5.2.6 학습 결과 

5.3 mlagents-learn(적대적 강화학습) 

 

▣ 06장: 방탈출 환경 만들기 

6.1 프로젝트 시작하기 

6.2 방탈출 환경 구성하기 

6.3 스크립트 작성하기 

__6.3.1 스크립트 파일 생성 

__6.3.2 EnvController 스크립트 

__6.3.3 BlockAgent 스크립트 

6.4 방탈출 환경 설정 및 환경 빌드 

 

▣ 07장: MA-POCA 

7.1 COMA 알고리즘의 이론 

__7.1.1 COMA 알고리즘 개요 

__7.1.2 중앙화 크리틱, 탈중앙화 액터 

__7.1.3 반사실적 베이스라인 

__7.1.4 COMA 논문의 결과 

7.2 MA-POCA 알고리즘의 이론 

__7.2.1 MA-POCA 알고리즘 개요 

__7.2.2 MA-POCA의 가치함수 

__7.2.3 MA-POCA의 반사실적 베이스라인 

__7.2.4 MA-POCA 논문의 결과 

7.3 MA-POCA 코드 

__7.4.1 라이브러리 불러오기 

__7.4.2 파라미터 값 설정 

__7.4.3 Model 클래스 

__7.4.4 Agent 클래스 

__7.4.5 Main 함수 

__7.4.6 학습 결과 

7.4 mlagents-learn(MA-POCA) 

 

▣ 08장: 메이즈 환경 만들기 

8.1 프로젝트 시작하기 

8.2 메이즈 환경 구성하기 

8.3 스크립트 작성하기 

__8.3.1. 스크립트 파일 생성 

__8.3.2. HardExplorationAgent 스크립트 

8.4 메이즈 환경 설정 및 빌드하기 

 

▣ 09장: Random Network Distillation 

9.1 RND 알고리즘의 개요 

9.2 RND 알고리즘의 기법 

9.3 RND 알고리즘 구현 

9.4 RND 코드 

__9.4.1 라이브러리 불러오기 및 파라미터 값 설정하기 

__9.4.2 Model 클래스 

__9.4.3 RMS 클래스 

__9.4.4 Agent 클래스 

__9.4.5 Main 함수 

__9.4.6 학습 결과 

9.5 mlagents-learn(RND) 

 

▣ 10장: 투 미션 환경 만들기 

10.1 프로젝트 시작하기 

10.2 투 미션 환경 구성하기 

10.3 스크립트 작성하기 

__10.3.1 스크립트 파일 생성 

__10.3.2 TwoMissionAgent 스크립트 

__10.3.3 TwoMissionEnvController 스크립트 

__10.3.4 TwoMissionGoalDetect 스크립트 

10.4 투 미션 환경 설정 및 빌드하기 

 

▣ 11장: Hypernetworks 

11.1 Hypernetworks 알고리즘의 개요 

11.2 Hypernetworks 알고리즘의 기법 

11.3 Hypernetworks 코드 

__11.3.1 라이브러리 불러오기 및 파라미터 값 설정 

__11.3.2 Model 클래스 

__11.3.3 Agent 클래스 

__11.3.4 Main 함수 

__11.3.5 학습 결과 

11.4 mlagents-learn(HyperNetworks) 

 

▣ 12장: 마무리 

12.1 응용편 내용 정리 

12.2 책에서 다루지 않은 내용 

__12.2.1 순환 신경망 

__12.2.2 Soft Actor Critic 

12.3 유니티 머신러닝 에이전트 적용 사례 

__12.3.1 자율주행 연구 환경 구축 사례 

__12.3.2 머신러닝 에이전트를 이용한 유튜브 사례 

__12.3.3 산업 문제에 머신러닝 에이전트를 적용한 사례 

__12.3.4 상용 게임에 머신러닝 에이전트를 적용한 사례