如何让AI像NBA球星一样投篮？

本文旨在使用 Unity3D 和 TensorFlow 来教 AI 怎样玩一个简单的游戏：把球投进篮筐。

游戏介绍

我们说的这个游戏里玩家只有一个主要目标：把球投进篮筐里。听起来貌似不难，但当你血液上涌、心跳加速、观众们呐喊时，嗯，想投进还是挺困难的。这是不是北美的经典游戏——篮球？不是，没听说过。我说的是 Midway 出品的经典街机游戏 NBA Jam。

如果你玩过 NBA Jam 或任何受到它启发的游戏（包括真实世界中的 NBA 大联盟，我记得应该是在 NBA Jam 之后诞生的），那你肯定知道从玩家的角度来看，投篮的原理是非常简单的。只需按住投球键，然后在正确的时机松开即可。但你有没有想过，从游戏的角度来看，投篮的过程是什么？球的弧线怎样确定？投球的力度多大？计算机怎样知道投球的角度？

聪明并且喜欢数学的你肯定能用纸笔得到答案，但笔者八年级的代数不及格……所以这种“聪明人”的答案就免了吧。我需要用更难的办法解决。

我不想用简单、快捷、有效的方式，用数学解决投篮的问题，而是想学一些简单的 TensorFlow，然后试着投篮就好了。

让我们开始吧！

我们需要一堆东西来完成这个项目。

Unity 模拟篮球和物理运动；

Node.js 和 TensorFlow.js 用于训练模型；

TensorFlowSharp 用于将模型通过 ML-Agents asset 包集成到 Unity 中；

tsjs-converter（https://github.com/tensorflow/tfjs-converter）将 TensorFlow.js 模型转换为图，以便在 Unity 使用；

Google Sheets（http://sheets.google.com/）用于将线性回归可视化。

你不懂某个技术也完全没关系！（其实我也不是完全懂！）我会尽力解释这些东西怎样合作的。使用这么多技术的缺点之一就是我没法详细解释每一种技术，但我会尽可能多地提供资源供大家学习。

下载项目

我不想手把手建立这个项目，所以我建议从 GitHub 上下载（https://github.com/abehaskins/tf-jam）代码，然后随着我的解释一步步做。

注意：你需要下载并导入 ML-Agents（https://github.com/Unity-Technologies/ml-agents）这个 Unity asset 包，才能在 C# 中使用TensorFlow。如果在 Unity 中看到任何 TensorFlow 找不到的错误，请确保你按照 Unity 的 TensorflowSharp 文档（https://github.com/Unity-Technologies/ml-agents/blob/master/docs/Using-TensorFlow-Sharp-in-Unity.md）完成了设置。

目标是什么？

简单来说，我们希望的输出很简单。我们想要解决的问题是：如果投篮者与篮筐的距离为 X，那么就以力度 Y 投篮。就这么简单！我们不考虑瞄准或其他任何东西。我们只想找出要多大力气投篮才能命中。

如果你想知道怎样才能在 Unity 中制作更复杂的 AI，可以参考 Unity 的更完整的 ML-Agents（https://github.com/Unity-Technologies/ml-agents）项目。我这里介绍的项目本身非常简单易行，而且不一定使用了最佳实践（我也在学习呀！）。

我有限的关于 TensorFlow、机器学习和数学的知识并不是障碍。所以就把这个项目当做娱乐吧。

篮筐和篮球

我们已经说过这个项目的目标了——投篮。要把球投进篮筐里，首先我们需要一个篮筐，还有一个球。这就该 Unity 上场了。

如果你不熟悉 Unity，那只需要记住它是个游戏引擎，可以在任何平台上制作二维和三维游戏。它有内置的物理引擎，基本的三维建模，和一个非常好用的脚本运行时（Mono：https://www.mono-project.com/），所以我们可以利用它用 C# 来写游戏。

我不是艺术家，所以我简单地拖了几个立方体放在了场景里。

红色立方体显然是玩家。篮筐上有个看不见的触发器（https://unity3d.com/learn/tutorials/topics/physics/colliders-triggers），用于检测物体（篮球）通过篮筐。

在 Unity 编辑器中可以看到隐形的触发器的绿色边框。你可以看到我们放了两个触发器。这样可以保证我们只统计那些从顶部一直落到底部的球。

看一下 /Assets/BallController.cs（这个文件是每个篮球上的脚本）中的 OnTriggerEnter方法，会发现这两个触发器是同时使用的。

这个函数做了几件事情。首先，它确保顶部和底部的两个触发器都触发了，然后改变球的材质，这样我们就能直观地看到球进了篮筐，最后输出我们关 心的两个变数：distance 和 force.y。

投篮

打开 /Assets/BallSpawnerController.cs。这个脚本运行在投篮运动员上，负责生成篮球，并尝试投篮。看一下末尾处的 DoShoot() 方法。

在这段代码中，Instantiates 初始化一个新的篮球实例，然后设置投篮的力度，以及与篮筐的距离（这样后面输出就会更容易，如前一段代码所示）。

如果你还没关 /Assets/BallController.cs，你可以看看它的 Start() 方法。每次创建新的篮球时都会调用这个方法。

换句话说，我们建立一个新的球，给它一些力量，然后在 30 秒之后自动销毁这个球，因为我们要处理很多很多球，我们希望场景能干净一些。

试着运行一下项目，看看我们的全明星投篮运动员投得怎么样。点击 Unity 编辑器中的 Play 按钮，我们就会看到……

玩家（我们叫他“小红”）要向斯蒂芬·库里挑战了！

为啥小红投篮这么差？答案是 Assets/BallController.cs 中的一行，float force = 0.2f。这一行说每次投篮都应该是完全一样的力度。我们发现 Unity 忠实地执行了这个“完全一样”。同一个对象，同样的力度，不断重复，弹跳方式都完全一样。真棒。

当然这并不是我们希望的结果。不尝试新的东西就永远不可能成为詹姆斯。所以我们来尝试下吧。

随机投篮，收集数据

我们简单地改变力度为随机数，来引入一些随机的噪声。

这样投篮就是随机的了，我们终于看到有球命中的样子了，尽管需要花上好长一段时间才能命中。

小红很笨，他偶尔会投进，但完全是靠蒙。不过没关系。现在，任何投进的球都是我们需要的数据点。我们一会儿就会用到。

同时，我们不想从一个固定的位置投篮。我们希望小红能从任意距离投进篮筐（如果他运气足够好的话）。在 Assets/BallSpawnController.cs 中找到这几行，然后去掉 MoveToRandomDistance() 前面的注释。

运行之后，我们会发现小红充满活力地一边投篮一边跳来跳去。

随机运动和随机力度的组合能创建出非常有用的东西：数据。看看Unity的控制台，就会看到每次投进后都会显示出数据。

每次成功投进都会输出目前的投中次数、到篮筐的距离，和投篮的力度。这个模拟很慢，我们来加快一些。回到我们添加 MoveToRandomDistance()的地方，把 0.3f（两次投篮之间300毫秒延迟）改成 0.05f（50毫秒延迟）。

再点击 Play 按钮看看能投中多少。

这个训练不错！我们可以从后面的计数器看到，成功投中的次数大概是 6.4%。库里也做不到这么高吧？不过说起训练，我们从这里学到什么了吗？说好的 TensorFlow 呢？这有什么意思？好吧，TensorFlow 是下一步的十二。我们现在要把 Unity 中的数据拿出来，建立一个模型来预测力度。

预测，模型和回归

看看 Google Sheets 里收集到的数据。

在进入 TensorFlow 之前，我想先看看数据，所以我让 Unity 一直运行，直到小红投中 50 个球。这会在 Unity 项目的根目录下生成一个文件 successful_shots.csv。这是从 Unity 中保存下的投篮命中的原始数据！我让 Unity 导出这些数据，这样就可以在工作表中进行分析了。

.csv 文件只有三列：index、distance 和 force。我把这个文件（https://support.google.com/docs/answer/40608?co=GENIE.Platform%3DDesktop&hl=en）导入到 Google Sheets 中，然后建了个散点图（https://support.google.com/docs/answer/190718?hl=en）并画上趋势线（https://support.google.com/docs/answer/6075154?hl=en&co=GENIE.Platform%3DDesktop），这样就能大概知道数据的分布。

哇！看这个图。我是说，看图中的那条线。嗯，好吧，我承认，一开始我也不知道这条线是啥意思。来一步步看看。

这张图显示的是一系列点，Y 轴是投篮力度，X 轴是投篮距离。我们可以看到力度和距离之间有很明显的相关性（除了一些不正常的弹跳引起的随机异常之外）。

用正常的话说就是“TensorFlow很会处理这种数据”。

虽然这个例子很简单，但 TensorFlow 很棒的一点就是，如果有需要，我们可以用极其简单的代码做出非常复杂的模型。例如，在完整的游戏中，我们可以包含许多特征——如其他玩家的位置，以及他们以前的阻挡投篮的频率等，来确定玩家应该选择投篮还是传球。

用 TensorFlow.js 建立模型

用你喜欢的编辑器打开 tsjs/index.js 文件。这个文件跟 Unity 没关系，它只是用来根据 successful_shots.csv 的数据训练模型的。

下面是所有训练并保存模型的代码。

可以看到，代码没多少。首先从 .csv 文件中载入数据，然后建立一系列 X 和 Y 点（就像 Google Sheets 一样）。然后我们要求模型去“拟合”数据。之后把模型存下来供以后使用。

很可惜，TensorFlowSharp 要求的模型的格式跟 Tensorflow.js 能保存的格式不一样。所以我们得做一些转换才能把模型导入到 Unity。我用了一些工具来做这项工作。基本的流程就是把模型从 TensorFlow.js 格式转换成 Keras 格式，这样我们就能设置保存点（https://www.tensorflow.org/get_started/checkpoints），然后将Protobuf图形定义（https://www.tensorflow.org/extend/tool_developers/）合并进去，得到冻结的图形定义（https://github.com/tensorflow/tensorflow/blob/master/tensorflow/python/tools/freeze_graph.py），这样就能导入到 Unity 中了。

幸运的是，你可以跳过这一切，只需运行 tsjs/build.sh，如果一切正常，它会自动完成所有步骤，然后把冻结的模型导入到 Unity 中。

在 Unity 中，看看 Assets/BallSpawnController.cs 文件中的 GetForceFromTensorFlow()，看看怎样使用我们的模型。

在制作图形定义时，需要定义一个包含多个步骤的复杂系统。在这个例子中，我们把模型定义成单密集层（以及一个隐含的输入层），意思就是我们的模型接受一个输入，然后给出一个输出。

如果在 TensorFlow.js 中调用model.predict（https://js.tensorflow.org/api/0.11.7/#tf.Model.predict），它会自动把输入放到正确的输入图节点上，然后在计算完成之后，从正确的节点上拿到输出。但 TensorFlowSharp 的工作原理不同，需要你自己去根据节点名称操作节点。

知道这些之后，我们只需把输入转换成图期待的格式，然后把输出发回给小红即可。

游戏时间！

使用上面的系统，我根据模型做了几个不同的版本。下面是小红在一个根据 500 次命中数据训练过的模型上的投篮结果。

我们看到命中率提高了 10 倍！如果我们训练小红几个小时，收集一万条，或者十万条命中数据会怎样？肯定会让他提高更多！这个工作就留给读者了。

我强烈推荐你看看 GitHub 上的源代码

https://github.com/abehaskins/tf-jam

如果能超过 60% 的命中率，欢迎在 Twitter 上告诉我：

https://twitter.com/abeisgreat

（剧透：超过 60% 是完全可能的，回到本文开头看看那张图，小红能被训练得很好！）

原文：https://medium.com/tensorflow/tf-jam-shooting-hoops-with-machine-learning-7a96e1236c32?linkId=54634097

作者：TensorFlow

译者：弯月，责编：屠敏