DeepMind Lab 是一个基于 id Software 的 Quake III Arena 游戏引擎， 通过 ioquake3 和 其他开源软件 构建的 3D 学习环境。

DeepMind Lab 为学习型智能体提供了一系列具有挑战性的 3D 导航与解谜任务。 其主要目的是作为人工智能研究，尤其是深度强化学习研究的测试平台。

关于

免责声明：本项目并非 Google 官方产品。

如果您在研究中使用了 DeepMind Lab 并希望引用该环境，我们建议您参考 DeepMind Lab 论文。

如有任何问题，请发送邮件至 lab@deepmind.com。

在 Linux 上开始使用

• 从 bazel.io 获取 Bazel。

• 克隆 DeepMind Lab 仓库，例如运行以下命令：

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

要运行一个随机智能体的示例，可以执行：

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

更多详细的构建文档请参阅 [/docs/users/build.md]， 其中包括如何安装缺失的依赖项。

为了启用编译器优化，可以在每个 bazel build、bazel test 和 bazel run 命令中添加 --compilation_mode=opt 或简写 -c opt 标志。出于简洁考虑， 本文中的示例未包含此标志，但在实际训练和评估中，当性能至关重要时， 应始终使用该标志。

以人类玩家身份游玩

若要使用键盘和鼠标等输入设备测试游戏，可以运行以下命令：

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

将 logToStdErr 设置为 false 可以关闭大部分日志输出。

可以通过为每个感兴趣的观测值添加 --observation OBSERVATION_NAME 标志， 在每一步打印出环境暴露的观测值。

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

训练智能体

DeepMind Lab 自带一个示例随机智能体，位于 python/random_agent.py 中， 可作为实现学习型智能体的起点。要让该智能体与 DeepMind Lab 进行交互并进行训练， 可以运行以下命令：

lab$ bazel run :python_random_agent

智能体与环境之间的交互使用 Python API 完成。 我们还提供了与 DeepMind 的通用强化学习 API “dm_env” 的绑定， 以及构建独立 PIP 包的方法；详细信息请参阅 单独的文档。

DeepMind Lab 随附多种不同的关卡， 分别实现了不同的任务。这些任务可以通过 Lua 脚本进行配置， 具体说明请参阅 Lua API。

---

上游源代码

DeepMind Lab 基于 ioquake3 游戏引擎构建，并使用工具 q3map2 和 bspc 来创建地图。源自这些项目的错误修复和清理工作， 最好先在上游解决，然后再合并到 DeepMind Lab 中。

• bspc 源自 github.com/TTimo/bspc，修订版为 d9a372db3fb6163bc49ead41c76c801a3d14cf80。几乎没有本地修改，但我们已将其代码集成到 ioq3 主代码库中，未在 deps 目录中保留副本。我们预计这段代码会保持稳定。

• q3map2 源自 github.com/TTimo/GtkRadiant，修订版为 d3d00345c542c8d7cc74e2e8a577bdf76f79c701。我们做了一些小的本地修改以增加同步功能。我们也认为这段代码是稳定的。

• ioquake3 源自 github.com/ioquake/ioq3，修订版为 29db64070aa0bae49953bddbedbed5e317af48ba。该代码包含了大量修改和新增内容。我们计划定期合并上游的更改。

我们非常感谢这些仓库的维护者们为保持高质量代码库所付出的努力。

外部依赖、先决条件及移植注意事项

DeepMind Lab 目前仅以源代码形式发布。它依赖于若干外部软件库，我们通过多种方式提供这些库：

• zlib、glib、libxml2、jpeg 和 png 等库被引用为 Bazel 的外部源，并提供了相应的 Bazel BUILD 文件。相关代码本身应具有较好的可移植性，但随附的 BUILD 规则专用于 x86 架构下的 Linux 系统。若要在其他平台上构建，很可能需要修改这些 BUILD 文件。

• 消息摘要算法包含在本包中（位于 //third_party/md），取自各自 RFC 的参考实现。此外，还包含一个“通用强化学习 API”（位于 //third_party/rl_api），该 API 亦由 DeepMind Lab 的作者开发。这部分代码具有可移植性。

• EGL 头文件也包含在本包中（位于 //third_party/GL/{EGL,KHR}），取自 Khronos 组织的 OpenGL/OpenGL ES XML API 注册表，网址为 www.khronos.org/registry/EGL。这些头文件经过轻微修改，去除了 EGL 对 X11 的依赖。

• 还有一些额外的库是必需的，但并未随本包一同提供，您需要确保它们已安装在系统中：

  • SDL 2
  • gettext（glib 所需）
  • OpenGL：进行硬件加速的人机交互需要硬件驱动程序和库。而机器学习智能体将使用的无头渲染库，则可根据 --define headless=... 的构建选项，选择通过 EGL 或 GLX 实现硬件加速渲染，或通过 OSMesa 进行软件渲染。
  • Python 2.7（其他版本也可能适用）并配备 NumPy、PIL（部分测试要求 NumPy 版本至少为 1.8）；或者 Python 3（至少 3.5）并配备 NumPy 和 Pillow。

构建规则使用了若干特定于 GCC 编译器的编译选项。如果您的编译器无法识别某些标志（通常是特定的警告抑制选项），则可能需要对这些标志进行调整。尽管会产生大量警告信息，但这些警告并无实际危害。

DeepMind Lab 快速上手指南

DeepMind Lab 是一个基于 Quake III Arena 引擎的 3D 学习环境，专为人工智能（特别是深度强化学习）研究设计。它提供了一系列具有挑战性的导航和谜题任务。

环境准备

系统要求

• 操作系统: Linux (x86 架构)。虽然代码具有可移植性，但官方提供的构建规则主要针对 Linux。
• 编译器: GCC (构建规则包含特定于 GCC 的标志)。

前置依赖

在开始之前，请确保系统已安装以下库和工具：

1. 构建工具:

   • Bazel (必须安装)

2. 系统库 (需通过包管理器安装，例如 apt):

   • SDL 2
   • gettext (glib 依赖)
   • OpenGL (硬件加速需要显卡驱动；无头模式可使用 EGL, GLX 或 OSMesa)
   • zlib, glib, libxml2, jpeg, png (通常作为 Bazel 外部源处理，但系统需具备基础开发环境)

3. Python 环境 (二选一):

   • Python 2.7: 需安装 NumPy (版本 >= 1.8), PIL
   • Python 3.5+: 需安装 NumPy, Pillow

安装步骤

1. 克隆项目

使用 git 克隆 DeepMind Lab 源代码：

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

提示: 如果国内访问 GitHub 较慢，建议使用 Gitee 镜像或配置代理加速。

2. 验证安装 (运行随机智能体)

安装完成后，运行一个简单的随机智能体示例来验证环境是否构建成功。此命令会自动处理部分依赖下载和编译：

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

性能优化建议: 在实际训练和评估中，务必添加 -c opt 标志以启用编译器优化： bazel run -c opt :python_random_agent ...

基本使用

1. 人类玩家试玩

你可以像玩普通游戏一样控制角色，用于测试关卡或观察环境：

lab$ bazel run :game -- --level_script=tests/empty_room_test --level_setting=logToStdErr=true
# 或者简写形式:
lab$ bazel run :game -- -l tests/empty_room_test -s logToStdErr=true

• 若要减少日志输出，可移除 logToStdErr=true 设置。
• 若要打印特定观测值（如速度），可添加 --observation 参数：

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

2. 训练智能体

DeepMind Lab 内置了一个随机智能体示例 (python/random_agent.py)，可作为开发学习算法的起点。

运行该智能体与环境交互：

lab$ bazel run :python_random_agent

• API 使用: 智能体与环境的交互通过 Python API 进行。
• 兼容接口: 项目提供了对 DeepMind 通用强化学习接口 dm_env 的绑定。
• 关卡配置: 不同的任务关卡通过 Lua 脚本配置，详见 Lua API 文档。

3. 打包使用 (可选)

如果需要将 DeepMind Lab 作为独立的 Python 包集成到其他项目中，可以参考 python/pip_package/README.md 构建 PIP 包。