picocrafter.py

   1 #!/usr/bin/env python
   2
   3 #########################################################################
   4 # This program is free software: you can redistribute it and/or modify  #
   5 # it under the terms of the version 3 of the GNU General Public License #
   6 # as published by the Free Software Foundation.                         #
   7 #                                                                       #
   8 # This program is distributed in the hope that it will be useful, but   #
   9 # WITHOUT ANY WARRANTY; without even the implied warranty of            #
  10 # MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the GNU      #
  11 # General Public License for more details.                              #
  12 #                                                                       #
  13 # You should have received a copy of the GNU General Public License     #
  14 # along with this program. If not, see <http://www.gnu.org/licenses/>.  #
  15 #                                                                       #
  16 # Written by and Copyright (C) Francois Fleuret                         #
  17 # Contact <francois.fleuret@unige.ch> for comments & bug reports        #
  18 #########################################################################
  19
  20 # This is a tiny rogue-like environment implemented with tensor
  21 # operations, that runs in batches efficiently on a GPU. On a RTX4090
  22 # it can initialize ~20k environments per second and run ~40k
  23 # iterations.
  24 #
  25 # The environment is a rectangular area with walls "#" dispatched
  26 # randomly. The agent "@" can perform five actions: move NESW or do
  27 # not move.
  28 #
  29 # There are monsters "$" moving randomly. The agent gets hit by every
  30 # monster present in one of the 4 direct neighborhoods at the end of
  31 # the moves, each hit results in a rewards of -1.
  32 #
  33 # The agent starts with 5 life points, each hit costs it 1pt, when it
  34 # gets to 0 it dies, gets a reward of -10 and the episode is over. At
  35 # every step it recovers 1/20th of a life point, with a maximum of
  36 # 5pt.
  37 #
  38 # The agent can carry "keys" ("a", "b", "c") that open "vaults" ("A",
  39 # "B", "C"). The keys and vault can only be used in sequence:
  40 # initially the agent can move only to free spaces, or to the "a", in
  41 # which case the key is removed from the environment and the agent now
  42 # carries it, and can move to free spaces or the "A". When it moves to
  43 # the "A", it gets a reward, loses the "a", the "A" is removed from
  44 # the environment, but the agent can now move to the "b", etc. Rewards
  45 # are 1 for "A" and "B" and 10 for "C".
  46
  47 ######################################################################
  48
  49 import torch
  50
  51 from torch.nn.functional import conv2d
  52
  53 ######################################################################
  54
  55
  56 def to_ansi(s):
  57     if type(s) is list:
  58         return [to_ansi(x) for x in s]
  59
  60     for u, c in [("$", 31), ("@", 32)] + [(x, 36) for x in "aAbBcC"]:
  61         s = s.replace(u, f"\u001b[{c}m{u}\u001b[0m")
  62
  63     return s
  64
  65
  66 def to_unicode(s):
  67     if type(s) is list:
  68         return [to_unicode(x) for x in s]
  69
  70     for u, c in [("#", "█"), ("+", "░"), ("|", "│")]:
  71         s = s.replace(u, c)
  72
  73     return s
  74
  75
  76 def fusion_multi_lines(l, width_min=0):
  77     l = [x if type(x) is list else [str(x)] for x in l]
  78
  79     def center(r, w):
  80         k = w - len(r)
  81         return " " * (k // 2) + r + " " * (k - k // 2)
  82
  83     def f(o, h):
  84         w = max(width_min, max([len(r) for r in o]))
  85         return [" " * w] * (h - len(o)) + [center(r, w) for r in o]
  86
  87     h = max([len(x) for x in l])
  88     l = [f(o, h) for o in l]
  89
  90     return "\n".join(["|".join([o[k] for o in l]) for k in range(h)])
  91
  92
  93 class PicroCrafterEngine:
  94     def __init__(
  95         self,
  96         world_height=27,
  97         world_width=27,
  98         nb_walls=27,
  99         margin=2,
 100         view_height=5,
 101         view_width=5,
 102         device=torch.device("cpu"),
 103     ):
 104         assert (world_height - 2 * margin) % (view_height - 2 * margin) == 0
 105         assert (world_width - 2 * margin) % (view_width - 2 * margin) == 0
 106
 107         self.device = device
 108
 109         self.world_height = world_height
 110         self.world_width = world_width
 111         self.margin = margin
 112         self.view_height = view_height
 113         self.view_width = view_width
 114         self.nb_walls = nb_walls
 115         self.life_level_max = 5
 116         self.life_level_gain_100th = 5
 117         self.reward_per_hit = -1
 118         self.reward_death = -10
 119
 120         self.tiles = " +#@$aAbBcC-" + "".join(
 121             [str(n) for n in range(self.life_level_max + 1)]
 122         )
 123         self.tile2id = dict([(t, n) for n, t in enumerate(self.tiles)])
 124         self.id2tile = dict([(n, t) for n, t in enumerate(self.tiles)])
 125
 126         self.next_object = dict(
 127             [
 128                 (self.tile2id[s], self.tile2id[t])
 129                 for (s, t) in [
 130                     ("a", "A"),
 131                     ("A", "b"),
 132                     ("b", "B"),
 133                     ("B", "c"),
 134                     ("c", "C"),
 135                     ("C", "-"),
 136                 ]
 137             ]
 138         )
 139
 140         self.object_reward = dict(
 141             [
 142                 (self.tile2id[t], r)
 143                 for (t, r) in [
 144                     ("a", 0),
 145                     ("A", 1),
 146                     ("b", 0),
 147                     ("B", 1),
 148                     ("c", 0),
 149                     ("C", 10),
 150                 ]
 151             ]
 152         )
 153
 154         self.accessible_object_to_inventory = dict(
 155             [
 156                 (self.tile2id[s], self.tile2id[t])
 157                 for (s, t) in [
 158                     ("a", " "),
 159                     ("A", "a"),
 160                     ("b", " "),
 161                     ("B", "b"),
 162                     ("c", " "),
 163                     ("C", "c"),
 164                     ("-", " "),
 165                 ]
 166             ]
 167         )
 168
 169     def reset(self, nb_agents):
 170         self.worlds = self.create_worlds(
 171             nb_agents, self.world_height, self.world_width, self.nb_walls, self.margin
 172         ).to(self.device)
 173         self.life_level_in_100th = torch.full(
 174             (nb_agents,), self.life_level_max * 100 + 99, device=self.device
 175         )
 176         self.accessible_object = torch.full(
 177             (nb_agents,), self.tile2id["a"], device=self.device
 178         )
 179
 180     def create_mazes(self, nb, height, width, nb_walls):
 181         m = torch.zeros(nb, height, width, dtype=torch.int64, device=self.device)
 182         m[:, 0, :] = 1
 183         m[:, -1, :] = 1
 184         m[:, :, 0] = 1
 185         m[:, :, -1] = 1
 186
 187         i = torch.arange(height, device=m.device)[None, :, None]
 188         j = torch.arange(width, device=m.device)[None, None, :]
 189
 190         for _ in range(nb_walls):
 191             q = torch.rand(m.size(), device=m.device).flatten(1).sort(-1).indices * (
 192                 (1 - m) * (i % 2 == 0) * (j % 2 == 0)
 193             ).flatten(1)
 194             q = (q == q.max(dim=-1, keepdim=True).values).long().view(m.size())
 195             a = q[:, None].expand(-1, 4, -1, -1).clone()
 196             a[:, 0, :-1, :] += q[:, 1:, :]
 197             a[:, 0, :-2, :] += q[:, 2:, :]
 198             a[:, 1, 1:, :] += q[:, :-1, :]
 199             a[:, 1, 2:, :] += q[:, :-2, :]
 200             a[:, 2, :, :-1] += q[:, :, 1:]
 201             a[:, 2, :, :-2] += q[:, :, 2:]
 202             a[:, 3, :, 1:] += q[:, :, :-1]
 203             a[:, 3, :, 2:] += q[:, :, :-2]
 204             a = a[
 205                 torch.arange(a.size(0), device=a.device),
 206                 torch.randint(4, (a.size(0),), device=a.device),
 207             ]
 208             m = (m + q + a).clamp(max=1)
 209
 210         return m
 211
 212     def create_worlds(self, nb, height, width, nb_walls, margin=2):
 213         margin -= 1  # The maze adds a wall all around
 214         m = self.create_mazes(nb, height - 2 * margin, width - 2 * margin, nb_walls)
 215         q = m.flatten(1)
 216         z = "@aAbBcC$$$$$"  # What to add to the maze
 217         u = torch.rand(q.size(), device=q.device) * (1 - q)
 218         r = u.sort(dim=-1, descending=True).indices[:, : len(z)]
 219
 220         q *= self.tile2id["#"]
 221         q[
 222             torch.arange(q.size(0), device=q.device)[:, None].expand_as(r), r
 223         ] = torch.tensor([self.tile2id[c] for c in z], device=q.device)[None, :]
 224
 225         if margin > 0:
 226             r = m.new_full(
 227                 (m.size(0), m.size(1) + margin * 2, m.size(2) + margin * 2),
 228                 self.tile2id["+"],
 229             )
 230             r[:, margin:-margin, margin:-margin] = m
 231             m = r
 232         return m
 233
 234     def nb_actions(self):
 235         return 5
 236
 237     def action2str(self, n):
 238         if n >= 0 and n < 5:
 239             return "XNESW"[n]
 240         else:
 241             return "?"
 242
 243     def nb_view_tiles(self):
 244         return len(self.tiles)
 245
 246     def min_max_reward(self):
 247         return (
 248             min(4 * self.reward_per_hit, self.reward_death),
 249             max(self.object_reward.values()),
 250         )
 251
 252     def step(self, actions):
 253         a = (self.worlds == self.tile2id["@"]).nonzero()
 254         self.worlds[a[:, 0], a[:, 1], a[:, 2]] = self.tile2id[" "]
 255         s = torch.tensor([[0, 0], [-1, 0], [0, 1], [1, 0], [0, -1]], device=self.device)
 256         b = a.clone()
 257         b[:, 1:] = b[:, 1:] + s[actions[b[:, 0]]]
 258         # position is empty
 259         o = (self.worlds[b[:, 0], b[:, 1], b[:, 2]] == self.tile2id[" "]).long()
 260         # or it is the next accessible object
 261         q = (
 262             self.worlds[b[:, 0], b[:, 1], b[:, 2]] == self.accessible_object[b[:, 0]]
 263         ).long()
 264         o = (o + q).clamp(max=1)[:, None]
 265         b = (1 - o) * a + o * b
 266         self.worlds[b[:, 0], b[:, 1], b[:, 2]] = self.tile2id["@"]
 267
 268         qq = q
 269         q = qq.new_zeros((self.worlds.size(0),) + qq.size()[1:])
 270         q[b[:, 0]] = qq
 271
 272         nb_hits = self.monster_moves()
 273
 274         alive_before = self.life_level_in_100th > 99
 275         self.life_level_in_100th[alive_before] = (
 276             self.life_level_in_100th[alive_before]
 277             + self.life_level_gain_100th
 278             - nb_hits[alive_before] * 100
 279         ).clamp(max=self.life_level_max * 100 + 99)
 280         alive_after = self.life_level_in_100th > 99
 281         self.worlds[torch.logical_not(alive_after)] = self.tile2id["#"]
 282         reward = nb_hits * self.reward_per_hit
 283
 284         for i in range(q.size(0)):
 285             if q[i] == 1:
 286                 reward[i] += self.object_reward[self.accessible_object[i].item()]
 287                 self.accessible_object[i] = self.next_object[
 288                     self.accessible_object[i].item()
 289                 ]
 290
 291         reward = (
 292             alive_after.long() * reward
 293             + alive_before.long() * (1 - alive_after.long()) * self.reward_death
 294         )
 295         inventory = torch.tensor(
 296             [
 297                 self.accessible_object_to_inventory[s.item()]
 298                 for s in self.accessible_object
 299             ]
 300         )
 301
 302         self.life_level_in_100th = (
 303             self.life_level_in_100th
 304             * (self.accessible_object != self.tile2id["-"]).long()
 305         )
 306
 307         reward[torch.logical_not(alive_before)] = 0
 308         return reward, inventory, self.life_level_in_100th // 100
 309
 310     def monster_moves(self):
 311         # Current positions of the monsters
 312         m = (self.worlds == self.tile2id["$"]).long().flatten(1)
 313
 314         # Total number of monsters
 315         n = m.sum(-1).max()
 316
 317         # Create a tensor with one channel per monster
 318         r = (
 319             (torch.rand(m.size(), device=m.device) * m)
 320             .sort(dim=-1, descending=True)
 321             .indices[:, :n]
 322         )
 323         o = m.new_zeros((m.size(0), n) + m.size()[1:])
 324         i = torch.arange(o.size(0), device=o.device)[:, None].expand(-1, o.size(1))
 325         j = torch.arange(o.size(1), device=o.device)[None, :].expand(o.size(0), -1)
 326         o[i, j, r] = 1
 327         o = o * m[:, None]
 328
 329         # Create the tensor of possible motions
 330         o = o.view((self.worlds.size(0), n) + self.worlds.flatten(1).size()[1:])
 331         move_kernel = torch.tensor(
 332             [[[[0.0, 1.0, 0.0], [1.0, 1.0, 1.0], [0.0, 1.0, 0.0]]]], device=o.device
 333         )
 334
 335         p = (
 336             conv2d(
 337                 o.view(
 338                     o.size(0) * o.size(1), 1, self.worlds.size(-2), self.worlds.size(-1)
 339                 ).float(),
 340                 move_kernel,
 341                 padding=1,
 342             ).view(o.size())
 343             == 1.0
 344         ).long()
 345
 346         # Let's do the moves per say
 347         i = torch.arange(self.worlds.size(0), device=self.worlds.device)[
 348             :, None
 349         ].expand_as(r)
 350
 351         for n in range(p.size(1)):
 352             u = o[:, n].sort(dim=-1, descending=True).indices[:, :1]
 353             q = p[:, n] * (self.worlds.flatten(1) == self.tile2id[" "]) + o[:, n]
 354             r = (
 355                 (q * torch.rand(q.size(), device=q.device))
 356                 .sort(dim=-1, descending=True)
 357                 .indices[:, :1]
 358             )
 359             self.worlds.flatten(1)[i, u] = self.tile2id[" "]
 360             self.worlds.flatten(1)[i, r] = self.tile2id["$"]
 361
 362         nb_hits = (
 363             (
 364                 conv2d(
 365                     (self.worlds == self.tile2id["$"]).float()[:, None],
 366                     move_kernel,
 367                     padding=1,
 368                 )
 369                 .long()
 370                 .squeeze(1)
 371                 * (self.worlds == self.tile2id["@"]).long()
 372             )
 373             .flatten(1)
 374             .sum(-1)
 375         )
 376
 377         return nb_hits
 378
 379     def views(self):
 380         i_height, i_width = (
 381             self.view_height - 2 * self.margin,
 382             self.view_width - 2 * self.margin,
 383         )
 384         a = (self.worlds == self.tile2id["@"]).nonzero()
 385         y = i_height * ((a[:, 1] - self.margin) // i_height)
 386         x = i_width * ((a[:, 2] - self.margin) // i_width)
 387         n = a[:, 0][:, None, None].expand(-1, self.view_height, self.view_width)
 388         i = (
 389             torch.arange(self.view_height, device=a.device)[None, :, None]
 390             + y[:, None, None]
 391         ).expand_as(n)
 392         j = (
 393             torch.arange(self.view_width, device=a.device)[None, None, :]
 394             + x[:, None, None]
 395         ).expand_as(n)
 396         v = self.worlds.new_full(
 397             (self.worlds.size(0), self.view_height + 1, self.view_width),
 398             self.tile2id["#"],
 399         )
 400
 401         v[a[:, 0], : self.view_height] = self.worlds[n, i, j]
 402
 403         v[:, self.view_height] = self.tile2id["-"]
 404         v[:, self.view_height, 0] = self.tile2id["0"] + (
 405             self.life_level_in_100th // 100
 406         ).clamp(min=0, max=self.life_level_max)
 407         v[:, self.view_height, 1] = torch.tensor(
 408             [
 409                 self.accessible_object_to_inventory[o.item()]
 410                 for o in self.accessible_object
 411             ],
 412             device=v.device,
 413         )
 414
 415         return v
 416
 417     def seq2tilepic(self, t, width):
 418         def tile(n):
 419             n = n.item()
 420             if n in self.id2tile:
 421                 return self.id2tile[n]
 422             else:
 423                 return "?"
 424
 425         if t.dim() == 2:
 426             return [self.seq2tilepic(r, width) for r in t]
 427
 428         t = t.reshape(-1, width)
 429
 430         t = ["".join([tile(n) for n in r]) for r in t]
 431
 432         return t
 433
 434
 435 ######################################################################
 436
 437 if __name__ == "__main__":
 438     import os, time, sys
 439
 440     device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
 441
 442     # char_conv = lambda x: x
 443     char_conv = to_unicode
 444
 445     # nb_agents, nb_iter, display = 1000, 1000, False
 446     # ansi_term = False
 447
 448     nb_agents, nb_iter, display = 4, 10000, True
 449     ansi_term = True
 450
 451     if ansi_term:
 452         char_conv = lambda x: to_ansi(to_unicode(x))
 453
 454     start_time = time.perf_counter()
 455     engine = PicroCrafterEngine(
 456         world_height=27,
 457         world_width=27,
 458         nb_walls=35,
 459         view_height=9,
 460         view_width=9,
 461         margin=4,
 462         device=device,
 463     )
 464
 465     engine.reset(nb_agents)
 466
 467     print(f"timing {nb_agents/(time.perf_counter() - start_time)} init per s")
 468
 469     start_time = time.perf_counter()
 470
 471     stop = 0
 472     for k in range(nb_iter):
 473         if display:
 474             if ansi_term:
 475                 to_print = "\u001bc"
 476                 # print("\u001b[2J")
 477             else:
 478                 to_print = ""
 479                 os.system("clear")
 480
 481             l = engine.seq2tilepic(engine.worlds.flatten(1), width=engine.world_width)
 482
 483             to_print += char_conv(fusion_multi_lines(l)) + "\n\n"
 484
 485         views = engine.views()
 486         action = torch.randint(engine.nb_actions(), (nb_agents,), device=device)
 487
 488         rewards, inventories, life_levels = engine.step(action)
 489
 490         if display:
 491             l = engine.seq2tilepic(views.flatten(1), engine.view_width)
 492             l = [
 493                 v + [f"{engine.action2str(a.item())}/{r: 3d}"]
 494                 for (v, a, r) in zip(l, action, rewards)
 495             ]
 496
 497             to_print += (
 498                 char_conv(fusion_multi_lines(l, width_min=engine.world_width)) + "\n"
 499             )
 500
 501             print(to_print)
 502             sys.stdout.flush()
 503             time.sleep(0.25)
 504
 505         if (life_levels > 0).long().sum() == 0:
 506             stop += 1
 507             if stop == 10:
 508                 break
 509
 510     print(f"timing {(nb_agents*k)/(time.perf_counter() - start_time)} iteration per s")