强化学习（RL）很强，能训练出会用鸡贼策略的星际宗师级玩家。

△AlphaStar打出cannon rush

但强化学习也很危险，因为它的套路是无限制探索，常常会出现一些疯狂危险的尝试。

但在现实环境中，有些试错是不可接受的。没有人希望看到，AI通过反复撞车来学会避免事故发生。

要让强化学习从虚拟环境走向现实生活，强化学习界的高玩OpenAI说：安全意识要从“小”抓起。

于是，他们开源了Safety Gym。

这是一套具有安全约束的训练环境和工具，能够评估强化学习智能体在训练过程中是否遵循安全原则，把AI在训练过程中产生的奇奇怪怪的想法都“扼杀”在摇篮里。

也就是说，在训练过程中，就约束AI，让它们明白，有些禁忌是不可触犯的。

Safety Gym

想要培养安全意识，就得给出安全规范。而在强化学习中，能做到这一点的就是约束强化学习（Constrained RL）。

约束强化学习，除了像普通的强化学习那样最大化奖励功能，还添加了约束智能体的成本函数（cost function）。

以自动驾驶举例，AI的任务是尽快从A点到达B点，所用时间越短，获得的奖励就最大。

这就导致，只要奖励够高，撞不撞车什么的会完全被AI忽视。

而在约束强化学习中，增加了一重惩罚：如果出现不可接受的危险行为，就惩罚智能体，直到它不再这么干为止。

而Safety Gym的诞生，就是为了方面约束强化学习的安全研究。

在Safety Gym环境中，预设了三种机器人：

点（Point）：一个被约束在二维平面上的简单机器人，能够转弯、前进或后退。

车（Car）：有两个独立驱动的平行车轮和一个自由滚动的后轮。车在转弯、向前或向后移动时，需要协调两个驱动器。

狗狗（Doggo）：一只四足机器人，每条腿跟躯干接触的位置都有两个控件，分别控制相对于躯干的方位角和仰角；膝盖上也有一个控制角度的控制器。

以及三个主要任务，每个任务都有两个难度级别：

目标任务（Goal）：让机器人移动到一系列目标位置。

按钮任务（Button）：让机器人按一系列目标按钮。

△在有干扰的情况下按按钮

推箱子任务（Push）：让机器人把箱子推到一系列目标位置。

另外，在Safety Gym中还有五种主要的安全约束元素：危险区域，易碎花瓶，按钮，柱子和小怪兽。

这些元素可以自由组合，用户可以在训练环境中添加任意数量的任意元素，并设置针对性的约束条件。

每个时间步长，环境都会为每一种不安全元素提供单独的成本信号，并提供反应整体的总成本信号。

与现有训练环境相比，Safety Gym环境更丰富，任务更难且更复杂。

基准测试

为了让Safety Gym变成一个开箱即用的工具，OpenAI还在其基础上提出了一种标准化方法，评估了一系列标准强化学习算法和约束强化学习算法：PPO，TRPO，PPO和TRPO的拉格朗日罚分版，以及约束策略优化（CPO）。

△基准环境

结果表明：在Safety Gym里，最简单的任务易于解决，并且可以快速迭代。而最困难的任务，对当前的技术而言还是颇具挑战性。

OpenAI希望，未来，Safety Gym能被集成到开发人员用来测试系统的评估方案中，成为安全标准。

— 完 —