本文汇总了常用的验证强化学习算法的开源环境平台。
当我们设计了一个强化学习算法之后，我们如何来验证算法的好坏呢？就像数据集一样，我们需要一个公认的平台来衡量这个算法。这样的一个平台，最基本的需要有仿真和渲染。
OpenAI Gym and Universe
业界最出名的莫过于Gym和Universe了。OpenAI Gym用于评估和比较强化学习算法的好坏。它的接口支持在任何框架下的算法，像TensorFlow,Theano,Keras这些都可以。
Gym库收集、解决了很多环境的测试过程中的问题，能够很好地使得你的强化学习算法得到很好地Work。并且含有游戏界面，能够帮助你去写通用性更强的算法。业界现在主流的就是这个环境，如果有还没有了解过的，需要配置的同学，可以参考我之前写的一篇详细的安装使用教程：强化学习环境-Gym安装到使用入门
在各大顶会上经常会看到用于连续控制物理引擎的MuJoCo但这个收费的。
RoboSchool
作为MuJoCo实现的替代品，OpenAI开发了基于Bullet物理引擎的Roboschool。它提供了OpenAI Gym形式的接口用于模拟机器人控制。目前包含了12个环境。其中除了传统的类似MuJoCo的场景，还有交互控制，及多智能体控制场景。
GitHub链接：/openai/roboschool官网链接：/blog/roboschool/
Gym中还有用于机械臂的抓取和灵巧手的机械手、机械臂环境Robotics:
GitHub链接：/openai/gym官网链接：/
OpenAI Universe相当于是OpenAI Gym的一个扩展，它所能提供的环境更加的复杂，有即时战略游戏的味道，对决策时间有一定的要求。
Universe的发布也算是业界福音，任何程序都可以被转换成一个Gym的环境。Universe通过自动启动程序在一个VNC远程桌上进行工作，所以它不需要对程序内部、源码或者bot API的特别访问。环境被打包Docker镜像，安装使用将更加方便。
GitHub链接：/openai/universe官网链接：/blog/universe/
DeepMind Lab
DeepMind Lab是一个第一人称3D游戏平台，它以丰富的科幻视觉来呈现场景。可用的操作能让智能体环顾四周，并以3D的形式移动。示例任务包括收集水果、走迷宫、穿越危险的通道且要避免从悬崖上坠落、使用发射台在平台间移动、玩激光笔、以及快速学习并记住随机生成的环境。DeepMind Lab已经成为DeepMind内部的一个主要研究平台，DeepMind Lab同时拥有更丰富的视觉效果和更自然的物理效果。
官网链接：/research/publications/deepmind-labGitHub链接：/deepmind/lab
Project Malmo
Malmo由微软剑桥研究员Katja Hofmann带领开发，是Microsoft基于Minecraft(我的世界)开发的一个人工智能实验和研究平台。这个平台也还用于第一届协同AI挑战赛。
Malmo是用于多智能体强化学习算法的开源平台，要求智能体之间相互合作，将协同AI做到极致。并且研究人员还可以加速《我的世界》中的时钟，加快试验速度。
GitHub链接：/crowdAI/marLo协同AI挑战赛官网：/en-us/research/academic-program/collaborative-ai-challenge/
ViZDoom
ViZDoom提供了用AI玩毁灭战士游戏的环境(一人称射击类游戏)。它提供的是一个多智能体竞争博弈的一个环境，用于测试算法的好坏。
GitHub链接：/mwydmuch/ViZDoom
我的微信公众号名称：深度学习先进智能决策
微信公众号ID：MultiAgent1024
公众号介绍：主要研究深度学习、强化学习、机器博弈等相关内容！期待您的关注，欢迎一起学习交流进步！
