AWS DeepRacer 日記第1回（2021/10）　※なんと初月にプロリーグ参加を達成

Last updated at 2021-11-12Posted at 2021-11-12

AWS DeepRacer 日記 2021/10

2021年10月から本格的にDeepRacerリーグに参加し始めました。
今回はDeepRacer日記第1回です。
筆者の試行錯誤を記載していきます。
参考になればうれしいです。

※DeepRacer参加方法については下記にまとめています

10/4

学習

まずは車の作成（メニュー：Reinforcement learning＞Your garage）

Stereo Cameraは障害物検知に特化なので、タイムトライアルならCamera一択だと思います。
※誰でも参加可能なVirtualLeagueはタイムトライアルです。
LIDAR sensorは光検出・測距センサーのこと。対戦や障害物検知に特化。こちらもタイムトライアルなら不要

次にモデル作成（Reinforcement learning＞Your models）

学習するコースの選択
10月VirtualLeagueのTrackはExpedition Loop である模様。こちらを選択

Race TypeはVirtualLeagueなのでTime trial
トレーニングアルゴリズムはとりあえずPRO※

※トレーニングアルゴリズムは以前まではPRO一択だったが、SACが増えていたので、マニュアルを確認

英語直訳した感じの日本語でPROとSACの差があまり分からん。。
PROは安定しやすく、SACはデータ効率が良いらしい。
とりあえず今回はデフォルトのPROを選択

ハイパーパラメータは玄人向けの設定らしいので、一旦デフォルトのままとした（各パラメータの意味理解も薄い）

アクションスペースはスピードを２に上げてみる。あとはデフォルトのまま

デフォルトのセンターラインに近いと報酬が高い関数があるので、
それに加えて下記の記事の「パターン2：早いスピードで走行させる」を参考に
スピードが速いと報酬を多めにした記述(SPEED_THRESHOLD～)を追加

使用した報酬関数

def reward_function(params):
    '''
    Example of rewarding the agent to follow center line
    '''

    # Read input parameters
    track_width = params['track_width']
    distance_from_center = params['distance_from_center']

    # Calculate 3 markers that are at varying distances away from the center line
    marker_1 = 0.1 * track_width
    marker_2 = 0.25 * track_width
    marker_3 = 0.5 * track_width

    # Give higher reward if the car is closer to center line and vice versa
    if distance_from_center <= marker_1:
        reward = 1.0
    elif distance_from_center <= marker_2:
        reward = 0.5
    elif distance_from_center <= marker_3:
        reward = 0.1
    else:
        reward = 1e-3  # likely crashed/ close to off track

    SPEED_THRESHOLD = 1.5 
    speed = params['speed']

    if speed < SPEED_THRESHOLD:
        # 低速走行の為、報酬は少なめ
        reward = reward * 0.5
    return float(reward)

10/11

評価

・学習結果の確認
こんなグラフが作成される。
IterationごとのRewardや完走率が確認できる。
ただし、学習時のこのグラフが何に影響するのか分からない。。

・評価の実施、評価結果の確認

・VirtualLeague参加
137位（599人中）。

VirtualLeague参加すると動画でどのような走りだったか確認ができる

コースアウトがまだ多い印象
→センターラインにいるときの報酬を高くして再学習させた方が良さそう
スピードは直線はもう少し速くしたいが、完走率向上後に変更してみる
などの考察をした。

ここでgithubで報酬関数を検索してみる（けっこういっぱいある、感謝）
https://github.com/search?q=DeepRacer+Reward&type=Repositories

玄人っぽい人の報酬関数を発見（340行！）
https://github.com/VilemR/AWS_DeepRacer/blob/master/reward_function.py

報酬関数の冒頭にコメント記載あり

This is the source code you cut and paste into AWS console. It consists of RewardEvaluator class that is instantiated
by the code of the desired reward_function(). The  RewardEvaluator contains a set of elementary  "low level" functions 
 for example the distance calculation between waypoints, directions as well as higher-level functions (e.g. nearest turn 
direction and distance) allowing you to design more complex reward logic.

要約すると
「これは、AWSコンソールにカット＆ペーストするソースコードです。」
複雑だが、速そうなので、意味はわからずとも全ペーストで走らせてみることにする。（ありがとうございます）

そのままコピペすると下記のエラーに

The reward function contains illegal import(s): ['traceback']"}]

tracebackがimportできない模様

tracebackはスタックトレースをログ出力するときに利用するモジュールであるため、デバッグ用と思われる
import traceback行を削除したら実行可能になった。

これでとりあえず、120分学習させてみる。

↓

なんと83位に（Off-Trackも最初の16回から5回とだいぶ少なくなった）