手把手教你訓練一個秒殺科比的投籃AI，不服來練

原作：Abe Haskins

安妮 編譯整理

量子位 出品 | 公眾號 QbitAI

在這篇教程中，谷歌工程師Abe Haskins用簡潔易懂的語言，教你用Unity3D和TensorFlow生產一隻會投籃的AI。

不少人表示，文章中的這些gif圖能看一天！教你用AI秒殺NBA球員的校車馬上就要發車了，還不快準備上車？

準備階段

在開始正式訓練前，先檢查下自己是不是準備好了下面這些工具：

模擬籃球和物理環境Unity

用於訓練模型的Node.js和TensorFlow.js

通過ML-agent asset包將模型嵌入Unity的TensorFlowSharp

將TensorFlow.js轉換成Unity中可用圖的tsjs-converter

將線性回歸簡單可視化的Google Sheets

所需工具就是這些了，接下來我將手把手教你解釋清楚這些工具是怎樣應用的。我建議大家先去將開源代碼下載下來，方便後續的學習和理解。

代碼地址：

https://github.com/abehaskins

明確目標

把目標想得簡單些更有利於完成目標，我們可以把這個任務想像成：如果投球手距離籃筐的距離為x，用y程度的力度投球則會進球的簡單問題。

這樣一想是不是覺得模型都簡單了好幾度？如果你對如何在Unity中製作更複雜的AI感興趣，你可以從Unity中查看完整的ML-Agents項目。

ML-Agents項目地址：

https://github.com/Unity-Technologies/ml-agents

籃筐和球

在這個遊戲中，我們只需要投籃就好了。首先需要用到的就是Unity，你平時打遊戲時看到的那個立方體的logo就是Unity的標誌。它是一個遊戲引擎，可以為所有平台構建2D和3D遊戲。

Unity內置物理世界系統，還包括基礎3D建模和腳本運行時（Mono），支持用C#編程。

把球場的大環境拼接起來並不複雜：

沒錯，圖中的紅色塊就代表玩家。模擬籃筐上設置有隱形觸發器，幫助檢測小球通過籃筐的具體時間。

觸發器使用教程：

https://unity3d.com/cn/learn/tutorials/topics/physics/colliders-triggers

如上圖所示，在Unity編輯器中，肉眼可見綠色的隱形觸發器。可觀察到觸發器分為上下兩個，這樣就能計算出球從籃筐頂部到底部落下消耗的時間。這兩個觸發器可在/Assets/BallController.cs中的OnTriggerEnter中查看。

上下都有觸發器的另一個好處就是，可以據此判斷小球的材料，幫助掌握distance和force.y兩個核心變數。

投籃

打開/Assets/BallSpawnerController.cs，這是一個負責生產籃球並試圖投中籃筐的腳本。你也可以在Shoot()結尾處查看這段代碼。

不知道你有沒有注意到，Instantiates代碼處表示了一個全新的實例，可以在此處設置投籃的力度和距離籃板的距離。

如果你是在/Assets/BallController.cs處打開的，可以查看Start()方法，之後在加入新籃球時會在此用到這段代碼。

換句話說，我們創建一個小球，然後給它一定大小的力，設置30秒後球將被自動銷毀，來確保我們能處理源源不斷新出現的球。

設置好一切後，我們看看自己的這個全明星投籃手是如何投籃的。你可以點擊Unity編輯器中的播放按鈕，我們會看到……

百發百不中！

為什麼會出現這樣的情況？答案就在於Assets/BallController.cs代碼中float force = 0.2f這一行。這條線讓所有球的行動軌跡保持一致，所以出現了一發都沒進的慘烈結局。

當然~這不是我們想要的，所以我進行了下一步的與探索。

隨機投籃，收集數據

我們可以通過簡單將力量變為隨機的方式，引入一些隨機噪音。

這樣就能推測出，能夠投中的力度是什麼樣的。當然這需要一些時間~

同時，我們需要考慮到，我們希望紅色的小球能從任何位置成功投籃，因此我們需要的不僅僅是只從一個地方投籃。在Assets/BallSpawnController.cs位置中，查找這些行並去掉MoveToRandomDistance()即可解決這個問題。

這樣，如果我們再次運行，就可以看到紅球在每次投籃後都能在球場上熱情地跳躍。

隨機運動和隨機力量的結合創造了一種非常奇妙的東西：數據。如果此時查看Unity中的控制台，你能看到每次投籃時記錄的數據。

每次成功投進都會被記錄，並且到目前為擊球的數量，距離籃筐的距離以及擊球所需的力量都可查看。這些數據提升的速度比較慢，我們可以將MoveToRandomDistance()中的參數0.3f（每次投籃的延遲為300毫秒）改成0.05f（延遲50毫秒）。

現在，看看我們參數調試後的結果：

有沒有發現，這其實是個不錯的訓練方式，系統顯示成功率為6.4%了。下一步，我們準備將這些數據從Unity中提取出來，並構建一個模型預測所需要的力量。

預測、模型和回歸

在用到TensorFlow之前，我們先讓Unity環境中的紅球完成大約50次命中。

此時如果查看Unity項目的根目錄，則應該能夠看到一個名為successful_shots.csv的新文件。這是來自Unity的原始轉儲，我們把這份數據導出來，以便在excel中分析它。

這個.csv文件只有三行，index，distance和force。我在谷歌表格中導入這個文件，創建了帶趨勢線的散點圖，這樣就能了解數據的分布情況了。

這些點組合起來可以發現一些規律。y軸為力度、x軸為距離。可以看到，所需的力與投籃距離之間有明顯相關性，也有一些例外情況。

是時候讓TensorFlow登場了，幫助我們用類似的代碼創建更複雜的模型。比如，在一個完整的遊戲中，我們可以涵蓋進一些新功能。

現在需要創建我們的TensorFlow.js模型了。

在你喜歡的編輯器中打開tsjs/index.js文件，這是一個基於數據訓練模型的腳本successful_shots.csv。訓練和保存模型的方法如下：

我們從.csv文件中載入數據創建一些列x和y坐標點，讓模型學會服從這些數據，之後，保存！

遺憾的是，TensorFlowSharp並不接受Tensorflow.js可以保存成的模型格式，需要我們做些翻譯工作才能將模型引入Unity。

一般來說可以將TensorFlow.js Format轉化為Keras Format，創建一個檢查點；我們也可以將它們與Protobuf Graph Definition合併，創建檢查點。

現在，我們看看在Unity里Assets/BallSpawnController.cs下的GetForceFromTensorFlow()中的模型是什麼樣子的。

比賽日

利用上面已經完成的系統，我們在模型上創建了一寫變體，在訓練500次時，模擬籃球的運行軌跡是這樣的：

正確率提升了10倍！

這還只是訓練500次的結果，剩下的交給你了~別忘了回頭看看我最後生成的結果，這是多麼可愛的遊戲啊~

傳送門

博客原文地址：

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

開源代碼在此：

https://github.com/abehaskins

祝你好運~

作者系網易新聞·網易號「各有態度」簽約作者

—完—

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！