更新：Animal-AI v3现已上线在另一个仓库中。 下面的仓库包含2019年举办的竞赛代码库。该仓库目前不再积极维护，但问题仍会得到一定程度的关注。

Animal-AI 2.0.0

概述

Animal-AI 测试平台将动物认知研究引入了人工智能领域。 它提供了一个环境，用于测试智能体完成从动物认知文献中提取或受其启发的任务。 该领域的数十年研究使我们能够训练和测试人工智能智能体的认知技能。

此仓库包含训练环境、训练库以及用于测试和/或训练智能体的900个任务。 实验被划分为不同的类别，以反映各种认知技能。详细信息可在网站上找到。

我们使用此环境和相关测试举办了一场竞赛，更多关于结果的详情可在此处查看这里。

该环境基于Unity ml-agents构建，包含一个被固定大小竞技场包围的智能体。物体可以在该竞技场中生成，包括正向和负向奖励（绿色、黄色和红色球体），智能体必须获取（或避开）这些奖励。所有测试都是由训练环境中物体的组合构成的。

简要说明

只想开始？那么：

• 克隆此仓库
• 在examples文件夹中运行pip install -r requirements.txt
• 获取适用于您平台的环境可执行文件
• 在examples文件夹中，启动jupyter notebook并浏览环境和训练笔记本！

有关更多示例，请参阅examples文件夹。

需求

首先为您的系统下载环境：

操作系统	环境链接
Windows	下载v2.0.1
Mac	下载v2.0.1
Linux	下载v2.0.1
Linux	下载v2.0.2

V2.0.2仅适用于Linux，修复了导致2.0.1版本中部分环境无法运行的智能体速度问题。目前没有计划维护或更新其他版本。当前开发正在向v3推进，预计于2021年中期发布。

将归档中的全部内容解压到examples/env文件夹中。在Linux上，您可能需要通过运行chmod +x env/AnimalAI.x86_64使文件可执行。

Animal-AI软件包支持Linux、Mac和Windows，并需要Python 3。

• 主要软件包是一个用于与Unity环境交互的API。它既包含一个gym环境，也包含Unity的ml-agents环境的扩展。您可以使用pip安装：

  pip install animalai
  

  或者您也可以从源码安装，只需在仓库文件夹中运行pip install -e animalai

• 我们还提供一个可用作训练起点的软件包，也是运行examples/文件夹中大多数示例脚本所必需的。它包含对ml-agents训练环境的扩展，该扩展依赖于OpenAI的PPO和BAIR的SAC。您也可以使用pip安装此包：

  pip install animalai-train
  

  或者您也可以从源码安装，只需在仓库文件夹中运行pip install -e animalai_train

环境的Unity源文件可在我们的ml-agents分支中找到。

手动控制

如果您直接从可执行文件或通过load_config_and_play,py脚本启动环境，则会以玩家模式启动。在这里，您可以使用以下按键控制智能体：

键盘键	动作
W	智能体向前移动
S	智能体向后移动
A	智能体左转
D	智能体右转
C	切换摄像头
R	重置环境

引用

如果您在工作中使用了Animal-AI环境，可以引用该环境的相关论文：

Beyret, B., Hernández-Orallo, J., Cheke, L., Halina, M., Shanahan, M., Crosby, M. The Animal-AI Environment: Training and Testing Animal-Like Artificial Cognition, arXiv预印本

@inproceedings{Beyret2019TheAE,
  title={The Animal-AI Environment: Training and Testing Animal-Like Artificial Cognition},
  author={Benjamin Beyret and Jos'e Hern'andez-Orallo and Lucy Cheke and Marta Halina and Murray Shanahan and Matthew Crosby},
  year={2019}
}

包含所有测试细节的论文将在竞赛结束后发布。

Unity ML-Agents

Animal-AI奥林匹克运动会是使用Unity的ML-Agents工具包构建的。

位于animalai中的Python库扩展了ml-agents v0.15.0。主要增加了在不同episode之间更改竞技场配置的功能。

Juliani, A., Berges, V., Vckay, E., Gao, Y., Henry, H., Mattar, M., Lange, D. (2018). Unity: 一种用于智能体的通用平台。 arXiv预印本 arXiv:1809.02627

EvalAI

本次竞赛由开源AI竞赛Web应用EvalAI友好承办。特别感谢Rishabh Jain在设置过程中提供的帮助。 我们将努力重新开放提交，并使用新的隐藏文件，以保持某种形式的竞赛持续进行。

Deshraj Yadav, Rishabh Jain, Harsh Agrawal, Prithvijit Chattopadhyay, Taranjeet Singh, Akash Jain, Shiv Baran Singh, Stefan Lee 和 Dhruv Batra (2019) EvalAI: 朝着更好的AI智能体评估系统迈进

版本历史

• v2.0.1（仅环境）：

  • 可移动物体变得更轻，更容易推动

• v2.0.0：

  • 修复了一些小错误
  • 新增教程笔记本
  • 将 ml-agents 从 0.7 升级到 0.15，具体变更如下：
    • 支持多并行环境进行训练
    • 新增软演员评论家（SAC）训练器
    • 引入一种新型的交互循环（按需决策）
    • 移除了大脑组件及部分 Protocol Buffers 文件
    • 添加了侧信道以替代部分 Protocol Buffers 文件
    • 对代码库进行了重构
  • GoodGoalMulti 现在变为黄色，且纹理与 GoodGoal 和 BadGoal 相同（发光效果）
  • 整个项目，包括 Unity 源代码，现已发布在 我们的 ml-agents 分支 上

如需查看早期版本，请参阅 此处

AnimalAI-Olympics 快速上手指南

AnimalAI-Olympics 是一个基于 Unity ML-Agents 构建的 AI 训练环境，旨在通过源自动物认知文献的任务来测试和训练人工智能代理的认知能力。本指南将帮助您快速搭建环境并运行示例。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统: Windows, macOS 或 Linux
• Python 版本: Python 3.x
• 依赖工具: pip, git, jupyter notebook
• 硬件建议: 支持 OpenGL 的显卡（用于运行 Unity 环境）

注意：本项目主要维护的是 2019 年竞赛版本的代码库（v2.0.x）。最新的 v3 版本已在独立仓库中发布。

安装步骤

1. 克隆项目代码

首先，将仓库克隆到本地：

git clone https://github.com/mdcrosby/animal-ai.git
cd animal-ai

2. 下载并配置 Unity 环境

您需要根据操作系统下载对应的 Unity 环境可执行文件，并将其解压到指定目录。

操作系统	下载链接 (v2.0.1/v2.0.2)
Windows	下载 v2.0.1
macOS	下载 v2.0.1
Linux	下载 v2.0.1 下载 v2.0.2*

*注：v2.0.2 仅适用于 Linux，修复了代理速度问题。其他平台请使用 v2.0.1。

配置步骤：

1. 下载完成后，解压压缩包内的所有内容。
2. 将解压后的文件夹移动到项目根目录下的 examples/env 文件夹中。
3. Linux 用户专属：需要赋予可执行权限。

   chmod +x examples/env/AnimalAI.x86_64
   

3. 安装 Python 依赖包

进入 examples 目录并安装必要的 Python 库：

cd examples
pip install -r requirements.txt

此外，您也可以单独安装核心包（如果上述命令未包含）：

# 安装环境交互 API
pip install animalai
# 或者从源码安装
pip install -e ../animalai

# 安装训练库 (包含 PPO 和 SAC 算法支持)
pip install animalai-train
# 或者从源码安装
pip install -e ../animalai_train

基本使用

安装完成后，您可以通过 Jupyter Notebook 快速体验环境交互和训练流程。

启动教程

在 examples 目录下启动 Jupyter Notebook：

jupyter notebook

在浏览器中打开后，依次运行以下两个核心教程：

1. 环境交互教程: environment_tutorial.ipynb
   • 学习如何加载环境、观察状态以及手动控制代理。
2. 训练教程: training_tutorial.ipynb
   • 学习如何使用内置的训练脚本对代理进行强化学习训练。

手动控制测试

如果您想直接运行可执行文件来手动控制代理（玩家模式），可以使用项目提供的脚本或直接运行二进制文件。在玩家模式下，您可以使用以下键盘按键控制代理：

按键	动作
W	向前移动
S	向后移动
A	向左转向
D	向右转向
C	切换摄像头视角
R	重置环境

您也可以通过运行以下脚本加载配置并进入游戏模式（需确保环境路径配置正确）：

python load_config_and_play.py

更多示例代码和任务配置请参考 examples 文件夹及 competition_configurations 目录。