如何讓 AI像NBA 球星一樣投籃？

科技 08-06

本文旨在使用 Unity3D 和 TensorFlow 來教 AI 怎樣玩一個簡單的遊戲：把球投進籃筐。

遊戲介紹

我們說的這個遊戲里玩家只有一個主要目標：把球投進籃筐里。聽起來貌似不難，但當你血液上涌、心跳加速、觀眾們吶喊時，嗯，想投進還是挺困難的。這是不是北美的經典遊戲——籃球？不是，沒聽說過。我說的是 Midway 出品的經典街機遊戲 NBA Jam。

如果你玩過 NBA Jam 或任何受到它啟發的遊戲（包括真實世界中的 NBA 大聯盟，我記得應該是在 NBA Jam 之後誕生的），那你肯定知道從玩家的角度來看，投籃的原理是非常簡單的。只需按住投球鍵，然後在正確的時機鬆開即可。但你有沒有想過，從遊戲的角度來看，投籃的過程是什麼？球的弧線怎樣確定？投球的力度多大？計算機怎樣知道投球的角度？

聰明並且喜歡數學的你肯定能用紙筆得到答案，但筆者八年級的代數不及格……所以這種「聰明人」的答案就免了吧。我需要用更難的辦法解決。

我不想用簡單、快捷、有效的方式，用數學解決投籃的問題，而是想學一些簡單的 TensorFlow，然後試著投籃就好了。

讓我們開始吧！

我們需要一堆東西來完成這個項目。

Unity 模擬籃球和物理運動；

Node.js 和 TensorFlow.js 用於訓練模型；

TensorFlowSharp 用於將模型通過 ML-Agents asset 包集成到 Unity 中；

tsjs-converter（https://github.com/tensorflow/tfjs-converter）將 TensorFlow.js 模型轉換為圖，以便在 Unity 使用；

Google Sheets（http://sheets.google.com/）用於將線性回歸可視化。

你不懂某個技術也完全沒關係！（其實我也不是完全懂！）我會儘力解釋這些東西怎樣合作的。使用這麼多技術的缺點之一就是我沒法詳細解釋每一種技術，但我會儘可能多地提供資源供大家學習。

下載項目

我不想手把手建立這個項目，所以我建議從 GitHub 上下載（https://github.com/abehaskins/tf-jam）代碼，然後隨著我的解釋一步步做。

注意：你需要下載並導入 ML-Agents（https://github.com/Unity-Technologies/ml-agents）這個 Unity asset 包，才能在 C# 中使用TensorFlow。如果在 Unity 中看到任何 TensorFlow 找不到的錯誤，請確保你按照 Unity 的 TensorflowSharp 文檔（https://github.com/Unity-Technologies/ml-agents/blob/master/docs/Using-TensorFlow-Sharp-in-Unity.md）完成了設置。

目標是什麼？

簡單來說，我們希望的輸出很簡單。我們想要解決的問題是：如果投籃者與籃筐的距離為 X，那麼就以力度 Y 投籃。就這麼簡單！我們不考慮瞄準或其他任何東西。我們只想找出要多大力氣投籃才能命中。

如果你想知道怎樣才能在 Unity 中製作更複雜的 AI，可以參考 Unity 的更完整的 ML-Agents（https://github.com/Unity-Technologies/ml-agents）項目。我這裡介紹的項目本身非常簡單易行，而且不一定使用了最佳實踐（我也在學習呀！）。

我有限的關於 TensorFlow、機器學習和數學的知識並不是障礙。所以就把這個項目當做娛樂吧。

籃筐和籃球

我們已經說過這個項目的目標了——投籃。要把球投進籃筐里，首先我們需要一個籃筐，還有一個球。這就該 Unity 上場了。

如果你不熟悉 Unity，那隻需要記住它是個遊戲引擎，可以在任何平台上製作二維和三維遊戲。它有內置的物理引擎，基本的三維建模，和一個非常好用的腳本運行時（Mono：https://www.mono-project.com/），所以我們可以利用它用 C# 來寫遊戲。

我不是藝術家，所以我簡單地拖了幾個立方體放在了場景里。

紅色立方體顯然是玩家。籃筐上有個看不見的觸發器（https://unity3d.com/learn/tutorials/topics/physics/colliders-triggers），用於檢測物體（籃球）通過籃筐。

在 Unity 編輯器中可以看到隱形的觸發器的綠色邊框。你可以看到我們放了兩個觸發器。這樣可以保證我們只統計那些從頂部一直落到底部的球。

看一下 /Assets/BallController.cs（這個文件是每個籃球上的腳本）中的 OnTriggerEnter方法，會發現這兩個觸發器是同時使用的。

這個函數做了幾件事情。首先，它確保頂部和底部的兩個觸發器都觸發了，然後改變球的材質，這樣我們就能直觀地看到球進了籃筐，最後輸出我們關心的兩個變數：distance 和 force.y。

投籃

打開 /Assets/BallSpawnerController.cs。這個腳本運行在投籃運動員上，負責生成籃球，並嘗試投籃。看一下末尾處的 DoShoot() 方法。

在這段代碼中，Instantiates 初始化一個新的籃球實例，然後設置投籃的力度，以及與籃筐的距離（這樣後面輸出就會更容易，如前一段代碼所示）。

如果你還沒關 /Assets/BallController.cs，你可以看看它的 Start() 方法。每次創建新的籃球時都會調用這個方法。

換句話說，我們建立一個新的球，給它一些力量，然後在 30 秒之後自動銷毀這個球，因為我們要處理很多很多球，我們希望場景能幹凈一些。

試著運行一下項目，看看我們的全明星投籃運動員投得怎麼樣。點擊 Unity 編輯器中的 Play 按鈕，我們就會看到……

玩家（我們叫他「小紅」）要向斯蒂芬·庫里挑戰了！

為啥小紅投籃這麼差？答案是 Assets/BallController.cs 中的一行，float force = 0.2f。這一行說每次投籃都應該是完全一樣的力度。我們發現 Unity 忠實地執行了這個「完全一樣」。同一個對象，同樣的力度，不斷重複，彈跳方式都完全一樣。真棒。

當然這並不是我們希望的結果。不嘗試新的東西就永遠不可能成為詹姆斯。所以我們來嘗試下吧。

隨機投籃，收集數據

我們簡單地改變力度為隨機數，來引入一些隨機的雜訊。

這樣投籃就是隨機的了，我們終於看到有球命中的樣子了，儘管需要花上好長一段時間才能命中。

小紅很笨，他偶爾會投進，但完全是靠蒙。不過沒關係。現在，任何投進的球都是我們需要的數據點。我們一會兒就會用到。

同時，我們不想從一個固定的位置投籃。我們希望小紅能從任意距離投進籃筐（如果他運氣足夠好的話）。在 Assets/BallSpawnController.cs 中找到這幾行，然後去掉 MoveToRandomDistance() 前面的注釋。

運行之後，我們會發現小紅充滿活力地一邊投籃一邊跳來跳去。

隨機運動和隨機力度的組合能創建出非常有用的東西：數據。看看Unity的控制台，就會看到每次投進後都會顯示出數據。

每次成功投進都會輸出目前的投中次數、到籃筐的距離，和投籃的力度。這個模擬很慢，我們來加快一些。回到我們添加 MoveToRandomDistance()的地方，把 0.3f（兩次投籃之間300毫秒延遲）改成 0.05f（50毫秒延遲）。

再點擊 Play 按鈕看看能投中多少。

這個訓練不錯！我們可以從後面的計數器看到，成功投中的次數大概是 6.4%。庫里也做不到這麼高吧？不過說起訓練，我們從這裡學到什麼了嗎？說好的 TensorFlow 呢？這有什麼意思？好吧，TensorFlow 是下一步的十二。我們現在要把 Unity 中的數據拿出來，建立一個模型來預測力度。

預測，模型和回歸

看看 Google Sheets 里收集到的數據。

在進入 TensorFlow 之前，我想先看看數據，所以我讓 Unity 一直運行，直到小紅投中 50 個球。這會在 Unity 項目的根目錄下生成一個文件 successful_shots.csv。這是從 Unity 中保存下的投籃命中的原始數據！我讓 Unity 導出這些數據，這樣就可以在工作表中進行分析了。

.csv 文件只有三列：index、distance 和 force。我把這個文件（https://support.google.com/docs/answer/40608?co=GENIE.Platform%3DDesktop&hl=en）導入到 Google Sheets 中，然後建了個散點圖（https://support.google.com/docs/answer/190718?hl=en）並畫上趨勢線（https://support.google.com/docs/answer/6075154?hl=en&co=GENIE.Platform%3DDesktop），這樣就能大概知道數據的分布。

哇！看這個圖。我是說，看圖中的那條線。嗯，好吧，我承認，一開始我也不知道這條線是啥意思。來一步步看看。

這張圖顯示的是一系列點，Y 軸是投籃力度，X 軸是投籃距離。我們可以看到力度和距離之間有很明顯的相關性（除了一些不正常的彈跳引起的隨機異常之外）。

用正常的話說就是「TensorFlow很會處理這種數據」。

雖然這個例子很簡單，但 TensorFlow 很棒的一點就是，如果有需要，我們可以用極其簡單的代碼做出非常複雜的模型。例如，在完整的遊戲中，我們可以包含許多特徵——如其他玩家的位置，以及他們以前的阻擋投籃的頻率等，來確定玩家應該選擇投籃還是傳球。

用 TensorFlow.js 建立模型

用你喜歡的編輯器打開 tsjs/index.js 文件。這個文件跟 Unity 沒關係，它只是用來根據 successful_shots.csv 的數據訓練模型的。

下面是所有訓練並保存模型的代碼。

可以看到，代碼沒多少。首先從 .csv 文件中載入數據，然後建立一系列 X 和 Y 點（就像 Google Sheets 一樣）。然後我們要求模型去「擬合」數據。之後把模型存下來供以後使用。

很可惜，TensorFlowSharp 要求的模型的格式跟 Tensorflow.js 能保存的格式不一樣。所以我們得做一些轉換才能把模型導入到 Unity。我用了一些工具來做這項工作。基本的流程就是把模型從 TensorFlow.js 格式轉換成 Keras 格式，這樣我們就能設置保存點（https://www.tensorflow.org/get_started/checkpoints），然後將Protobuf圖形定義（https://www.tensorflow.org/extend/tool_developers/）合併進去，得到凍結的圖形定義（https://github.com/tensorflow/tensorflow/blob/master/tensorflow/python/tools/freeze_graph.py），這樣就能導入到 Unity 中了。

幸運的是，你可以跳過這一切，只需運行 tsjs/build.sh，如果一切正常，它會自動完成所有步驟，然後把凍結的模型導入到 Unity 中。

在 Unity 中，看看 Assets/BallSpawnController.cs 文件中的 GetForceFromTensorFlow()，看看怎樣使用我們的模型。

在製作圖形定義時，需要定義一個包含多個步驟的複雜系統。在這個例子中，我們把模型定義成單密集層（以及一個隱含的輸入層），意思就是我們的模型接受一個輸入，然後給出一個輸出。

如果在 TensorFlow.js 中調用model.predict（https://js.tensorflow.org/api/0.11.7/#tf.Model.predict），它會自動把輸入放到正確的輸入圖節點上，然後在計算完成之後，從正確的節點上拿到輸出。但 TensorFlowSharp 的工作原理不同，需要你自己去根據節點名稱操作節點。

知道這些之後，我們只需把輸入轉換成圖期待的格式，然後把輸出發回給小紅即可。

遊戲時間！

使用上面的系統，我根據模型做了幾個不同的版本。下面是小紅在一個根據 500 次命中數據訓練過的模型上的投籃結果。