PyTorch版SAC-Auto强化学习模块

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

算法构成	说明
rl_typing.py	强化学习数据类型声明
sac_agent.py	SAC-Auto算法

(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

encoder_net = MyEncoder()                   # 自定义观测编码器
mu_net, logstd_net = MyPolicy(), MyPolicy() # 自定义策略函数
q1_net, q2_net = MyQfun(), MyQfun()         # 自定义双Q函数
actor = SAC_Actor(encoder_net, mu_net, logstd_net, kwargs=...) # 设置自定义actor网络
critic = SAC_Critic(encoder_net, q1_net, q2_net)               # 设置自定义critic网络
agent.set_nn(
    actor, 
    critic, 
    actor_optim_cls = th.optim.Adam, 
    critic_optim_cls = th.optim.Adam, 
    copy = True
) # 为算法设置神经网络

(2).BaseBuffer模块

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：

必须实现的方法	功能
reset	重置经验池（Off-Policy算法一般用不到），也可用于初始化经验池（生成转移元组collections）
push	经验存储：存入环境转移元组 (s, a, r, s_, done) ，其中状态 s 和下一个状态 s_ （或观测 obs ）为array（或混合形式dict[any, array]、list[array]、tuple[array, ...]），动作 a 为array，奖励 r 为float， s_ 是否存在 done 为bool。
sample	经验采样：要求返回包含关键字 's','a','r','s_','done' 的 batch 字典， batch 的每个key对应value为Tensor（或dict[any, Tensor]、list[Tensor]、tuple[Tensor, ...]）；PER的batch还要包含关键字 'IS_weight' ，对应的value为Tensor。
state_to_tensor	数据升维并转换：将Gym输出的1个 obs 转换成 batch obs ，要求返回Tensor（或混合形式dict[any, Tensor]、list[Tensor]、tuple[Tensor, ...]）。
非必须实现的方法/属性	功能
save	存储buffer数据，用于保存训练进度，可省略
load	加载buffer数据，用于加载训练进度，可省略
update_priorities	用于更新PER的优先级，非PER可省略
is_per（属性）	是否是PER回放，默认False
is_rnn（属性）	是否RNN按episode回放，默认False
nbytes（属性）	用于查看经验池占用内存，默认0

一.路径规划环境SAC应用示例:

路径规划环境包 path_plan_env

包含的模块	说明
LidarModel	激光雷达模拟（基于东北天坐标系）
NormalizedActionsWrapper	环境装饰器：非-1~1动作空间归一化，用于与算法适配
DynamicPathPlanning	动力学路径规划环境（动作空间-1~1，基于东天南坐标系）
StaticPathPlanning	路径搜索环境（动作空间非-1~1）

(0).环境接口

gym标准接口格式，初始化时可指定使用老版gym接口风格或新版gym接口风格

# 实例化环境
from path_plan_env import DynamicPathPlanning
env = DynamicPathPlanning(kwargs=...)
# 训练/测试交互
obs, info = env.reset(kwargs=...) # new gym style
obs = env.reset(kwargs=...)       # old gym style
while 1:
    try:
        env.render(kwargs=...) # 可视化路径规划(测试)
        act = np.array([...]) # shape=(act_dim, ) range∈-1~1
        obs, rew, done, truncated, info = env.step(act, kwargs=...) # new gym style
        obs, rew, done, info = env.step(act, kwargs=...)            # old gym style
    except AssertionError:
        env.plot("fig.png", kwargs=...) # 输出规划结果(训练)
        break

(1).路径搜索环境（StaticPathPlanning）

几何层面规划，直接找几个点组成路径，学习组成路径的点

(2).动力学路径规划环境（DynamicPathPlanning）

动力学层面规划，学习控制量

0.雷达感知模型

1.训练结果

2.仿真结果

二.Requirement:

python >= 3.9

SAC算法依赖项：

gym >= 0.21.0 （数据结构API）

numpy >= 1.22.3 （数组运算API）

pytorch >= 1.10.2 （深度学习API）

onnx >= 1.13.1 （模型部署API）

onnxruntime >= 1.15.1 （模型推理API）

非SAC算法依赖项：

tensorboard （训练日志记录）

scipy >= 1.7.3 （自定义Env数值积分）

shapely >= 2.0.1 （自定义Env障碍表示）

matplotlib >= 3.5.1 （自定义Env可视化）

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