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         world_margin=2,
 100         view_height=5,
 101         view_width=5,
 102         device=torch.device("cpu"),
 103     ):
 104         assert (world_height - 2 * world_margin) % (view_height - 2 * world_margin) == 0
 105         assert (world_width - 2 * world_margin) % (view_width - 2 * world_margin) == 0
 106
 107         self.device = device
 108
 109         self.world_height = world_height
 110         self.world_width = world_width
 111         self.world_margin = world_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,
 172             self.world_height,
 173             self.world_width,
 174             self.nb_walls,
 175             self.world_margin,
 176         ).to(self.device)
 177         self.life_level_in_100th = torch.full(
 178             (nb_agents,), self.life_level_max * 100 + 99, device=self.device
 179         )
 180         self.accessible_object = torch.full(
 181             (nb_agents,), self.tile2id["a"], device=self.device
 182         )
 183
 184     def create_mazes(self, nb, height, width, nb_walls):
 185         m = torch.zeros(nb, height, width, dtype=torch.int64, device=self.device)
 186         m[:, 0, :] = 1
 187         m[:, -1, :] = 1
 188         m[:, :, 0] = 1
 189         m[:, :, -1] = 1
 190
 191         i = torch.arange(height, device=m.device)[None, :, None]
 192         j = torch.arange(width, device=m.device)[None, None, :]
 193
 194         for _ in range(nb_walls):
 195             q = torch.rand(m.size(), device=m.device).flatten(1).sort(-1).indices * (
 196                 (1 - m) * (i % 2 == 0) * (j % 2 == 0)
 197             ).flatten(1)
 198             q = (q == q.max(dim=-1, keepdim=True).values).long().view(m.size())
 199             a = q[:, None].expand(-1, 4, -1, -1).clone()
 200             a[:, 0, :-1, :] += q[:, 1:, :]
 201             a[:, 0, :-2, :] += q[:, 2:, :]
 202             a[:, 1, 1:, :] += q[:, :-1, :]
 203             a[:, 1, 2:, :] += q[:, :-2, :]
 204             a[:, 2, :, :-1] += q[:, :, 1:]
 205             a[:, 2, :, :-2] += q[:, :, 2:]
 206             a[:, 3, :, 1:] += q[:, :, :-1]
 207             a[:, 3, :, 2:] += q[:, :, :-2]
 208             a = a[
 209                 torch.arange(a.size(0), device=a.device),
 210                 torch.randint(4, (a.size(0),), device=a.device),
 211             ]
 212             m = (m + q + a).clamp(max=1)
 213
 214         return m
 215
 216     def create_worlds(self, nb, height, width, nb_walls, world_margin=2):
 217         world_margin -= 1  # The maze adds a wall all around
 218         m = self.create_mazes(
 219             nb, height - 2 * world_margin, width - 2 * world_margin, nb_walls
 220         )
 221         q = m.flatten(1)
 222         z = "@aAbBcC$$$$$"  # What to add to the maze
 223         u = torch.rand(q.size(), device=q.device) * (1 - q)
 224         r = u.sort(dim=-1, descending=True).indices[:, : len(z)]
 225
 226         q *= self.tile2id["#"]
 227         q[
 228             torch.arange(q.size(0), device=q.device)[:, None].expand_as(r), r
 229         ] = torch.tensor([self.tile2id[c] for c in z], device=q.device)[None, :]
 230
 231         if world_margin > 0:
 232             r = m.new_full(
 233                 (m.size(0), m.size(1) + world_margin * 2, m.size(2) + world_margin * 2),
 234                 self.tile2id["+"],
 235             )
 236             r[:, world_margin:-world_margin, world_margin:-world_margin] = m
 237             m = r
 238         return m
 239
 240     def nb_actions(self):
 241         return 5
 242
 243     def action2str(self, n):
 244         if n >= 0 and n < 5:
 245             return "XNESW"[n]
 246         else:
 247             return "?"
 248
 249     def nb_view_tiles(self):
 250         return len(self.tiles)
 251
 252     def min_max_reward(self):
 253         return (
 254             min(4 * self.reward_per_hit, self.reward_death),
 255             max(self.object_reward.values()),
 256         )
 257
 258     def step(self, actions):
 259         a = (self.worlds == self.tile2id["@"]).nonzero()
 260         self.worlds[a[:, 0], a[:, 1], a[:, 2]] = self.tile2id[" "]
 261         s = torch.tensor([[0, 0], [-1, 0], [0, 1], [1, 0], [0, -1]], device=self.device)
 262         b = a.clone()
 263         b[:, 1:] = b[:, 1:] + s[actions[b[:, 0]]]
 264         # position is empty
 265         o = (self.worlds[b[:, 0], b[:, 1], b[:, 2]] == self.tile2id[" "]).long()
 266         # or it is the next accessible object
 267         q = (
 268             self.worlds[b[:, 0], b[:, 1], b[:, 2]] == self.accessible_object[b[:, 0]]
 269         ).long()
 270         o = (o + q).clamp(max=1)[:, None]
 271         b = (1 - o) * a + o * b
 272         self.worlds[b[:, 0], b[:, 1], b[:, 2]] = self.tile2id["@"]
 273
 274         qq = q
 275         q = qq.new_zeros((self.worlds.size(0),) + qq.size()[1:])
 276         q[b[:, 0]] = qq
 277
 278         nb_hits = self.monster_moves()
 279
 280         alive_before = self.life_level_in_100th > 99
 281         self.life_level_in_100th[alive_before] = (
 282             self.life_level_in_100th[alive_before]
 283             + self.life_level_gain_100th
 284             - nb_hits[alive_before] * 100
 285         ).clamp(max=self.life_level_max * 100 + 99)
 286         alive_after = self.life_level_in_100th > 99
 287         self.worlds[torch.logical_not(alive_after)] = self.tile2id["#"]
 288         reward = nb_hits * self.reward_per_hit
 289
 290         for i in range(q.size(0)):
 291             if q[i] == 1:
 292                 reward[i] += self.object_reward[self.accessible_object[i].item()]
 293                 self.accessible_object[i] = self.next_object[
 294                     self.accessible_object[i].item()
 295                 ]
 296
 297         reward = (
 298             alive_after.long() * reward
 299             + alive_before.long() * (1 - alive_after.long()) * self.reward_death
 300         )
 301         inventory = torch.tensor(
 302             [
 303                 self.accessible_object_to_inventory[s.item()]
 304                 for s in self.accessible_object
 305             ]
 306         )
 307
 308         self.life_level_in_100th = (
 309             self.life_level_in_100th
 310             * (self.accessible_object != self.tile2id["-"]).long()
 311         )
 312
 313         reward[torch.logical_not(alive_before)] = 0
 314         return reward, inventory, self.life_level_in_100th // 100
 315
 316     def monster_moves(self):
 317         # Current positions of the monsters
 318         m = (self.worlds == self.tile2id["$"]).long().flatten(1)
 319
 320         # Total number of monsters
 321         n = m.sum(-1).max()
 322
 323         # Create a tensor with one channel per monster
 324         r = (
 325             (torch.rand(m.size(), device=m.device) * m)
 326             .sort(dim=-1, descending=True)
 327             .indices[:, :n]
 328         )
 329         o = m.new_zeros((m.size(0), n) + m.size()[1:])
 330         i = torch.arange(o.size(0), device=o.device)[:, None].expand(-1, o.size(1))
 331         j = torch.arange(o.size(1), device=o.device)[None, :].expand(o.size(0), -1)
 332         o[i, j, r] = 1
 333         o = o * m[:, None]
 334
 335         # Create the tensor of possible motions
 336         o = o.view((self.worlds.size(0), n) + self.worlds.flatten(1).size()[1:])
 337         move_kernel = torch.tensor(
 338             [[[[0.0, 1.0, 0.0], [1.0, 1.0, 1.0], [0.0, 1.0, 0.0]]]], device=o.device
 339         )
 340
 341         p = (
 342             conv2d(
 343                 o.view(
 344                     o.size(0) * o.size(1), 1, self.worlds.size(-2), self.worlds.size(-1)
 345                 ).float(),
 346                 move_kernel,
 347                 padding=1,
 348             ).view(o.size())
 349             == 1.0
 350         ).long()
 351
 352         # Let's do the moves per say
 353         i = torch.arange(self.worlds.size(0), device=self.worlds.device)[
 354             :, None
 355         ].expand_as(r)
 356
 357         for n in range(p.size(1)):
 358             u = o[:, n].sort(dim=-1, descending=True).indices[:, :1]
 359             q = p[:, n] * (self.worlds.flatten(1) == self.tile2id[" "]) + o[:, n]
 360             r = (
 361                 (q * torch.rand(q.size(), device=q.device))
 362                 .sort(dim=-1, descending=True)
 363                 .indices[:, :1]
 364             )
 365             self.worlds.flatten(1)[i, u] = self.tile2id[" "]
 366             self.worlds.flatten(1)[i, r] = self.tile2id["$"]
 367
 368         nb_hits = (
 369             (
 370                 conv2d(
 371                     (self.worlds == self.tile2id["$"]).float()[:, None],
 372                     move_kernel,
 373                     padding=1,
 374                 )
 375                 .long()
 376                 .squeeze(1)
 377                 * (self.worlds == self.tile2id["@"]).long()
 378             )
 379             .flatten(1)
 380             .sum(-1)
 381         )
 382
 383         return nb_hits
 384
 385     def views(self):
 386         i_height, i_width = (
 387             self.view_height - 2 * self.world_margin,
 388             self.view_width - 2 * self.world_margin,
 389         )
 390         a = (self.worlds == self.tile2id["@"]).nonzero()
 391         y = i_height * ((a[:, 1] - self.world_margin) // i_height)
 392         x = i_width * ((a[:, 2] - self.world_margin) // i_width)
 393         n = a[:, 0][:, None, None].expand(-1, self.view_height, self.view_width)
 394         i = (
 395             torch.arange(self.view_height, device=a.device)[None, :, None]
 396             + y[:, None, None]
 397         ).expand_as(n)
 398         j = (
 399             torch.arange(self.view_width, device=a.device)[None, None, :]
 400             + x[:, None, None]
 401         ).expand_as(n)
 402         v = self.worlds.new_full(
 403             (self.worlds.size(0), self.view_height + 1, self.view_width),
 404             self.tile2id["#"],
 405         )
 406
 407         v[a[:, 0], : self.view_height] = self.worlds[n, i, j]
 408
 409         v[:, self.view_height] = self.tile2id["-"]
 410         v[:, self.view_height, 0] = self.tile2id["0"] + (
 411             self.life_level_in_100th // 100
 412         ).clamp(min=0, max=self.life_level_max)
 413         v[:, self.view_height, 1] = torch.tensor(
 414             [
 415                 self.accessible_object_to_inventory[o.item()]
 416                 for o in self.accessible_object
 417             ],
 418             device=v.device,
 419         )
 420
 421         return v
 422
 423     def seq2tiles(self, t, width=None):
 424         def tile(n):
 425             n = n.item()
 426             if n in self.id2tile:
 427                 return self.id2tile[n]
 428             else:
 429                 return "?"
 430
 431         if t.dim() == 2:
 432             return [self.seq2tiles(r, width) for r in t]
 433
 434         if width is None:
 435             width = self.view_width
 436
 437         t = t.reshape(-1, width)
 438
 439         t = ["".join([tile(n) for n in r]) for r in t]
 440
 441         return t
 442
 443
 444 ######################################################################
 445
 446 if __name__ == "__main__":
 447     import os, time, sys
 448
 449     device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
 450
 451     # char_conv = lambda x: x
 452     char_conv = to_unicode
 453
 454     # nb_agents, nb_iter, display = 1000, 1000, False
 455     # ansi_term = False
 456
 457     nb_agents, nb_iter, display = 4, 10000, True
 458     ansi_term = True
 459
 460     if ansi_term:
 461         char_conv = lambda x: to_ansi(to_unicode(x))
 462
 463     start_time = time.perf_counter()
 464     engine = PicroCrafterEngine(
 465         world_height=27,
 466         world_width=27,
 467         nb_walls=35,
 468         view_height=9,
 469         view_width=9,
 470         world_margin=4,
 471         device=device,
 472     )
 473
 474     engine.reset(nb_agents)
 475
 476     print(f"timing {nb_agents/(time.perf_counter() - start_time)} init per s")
 477
 478     start_time = time.perf_counter()
 479
 480     stop = 0
 481     for k in range(nb_iter):
 482         if display:
 483             if ansi_term:
 484                 to_print = "\u001bc"
 485                 # print("\u001b[2J")
 486             else:
 487                 to_print = ""
 488                 os.system("clear")
 489
 490             l = engine.seq2tiles(engine.worlds.flatten(1), width=engine.world_width)
 491
 492             to_print += char_conv(fusion_multi_lines(l)) + "\n\n"
 493
 494         views = engine.views()
 495         action = torch.randint(engine.nb_actions(), (nb_agents,), device=device)
 496
 497         rewards, inventories, life_levels = engine.step(action)
 498
 499         if display:
 500             l = engine.seq2tiles(views.flatten(1))
 501             l = [
 502                 v + [f"{engine.action2str(a.item())}/{r: 3d}"]
 503                 for (v, a, r) in zip(l, action, rewards)
 504             ]
 505
 506             to_print += (
 507                 char_conv(fusion_multi_lines(l, width_min=engine.world_width)) + "\n"
 508             )
 509
 510             print(to_print)
 511             sys.stdout.flush()
 512             time.sleep(0.25)
 513
 514         if (life_levels > 0).long().sum() == 0:
 515             stop += 1
 516             if stop == 10:
 517                 break
 518
 519     print(f"timing {(nb_agents*k)/(time.perf_counter() - start_time)} iteration per s")