基于深度强化学习的局内战斗自动化测试探索

标签：rate   cts   观察   精度   bst   jpg   描述   下一步   adb   

游戏项目研发时，期望搭建自动化测试平台，发现局内bug，避免重复劳动、提高测试效率以及避免人为的操作错误。其中环境要求使用项目需要使用Airtest、poco对接强化学习的服务器，实现Airtest将状态信息发送给服务器，服务器返回下一步的决策。

1. 前期准备工作

了解Airtest、poco、强化学习agent的决策方式。

1.1 Airtest介绍

Airtest基于图像识别的自动化测试框架。这个框架核心不在实现方式和技术上，而是理念！这个框架的理念借用是MIT（麻省理工）研究院的成果 Sikuli ，他们构思了一种全新的UI测试模式，基于图像识别控件而不是具体内存里的控件对象。

Airtest特点

① 支持基于图像识别的可程式化测试工具
② 跨平台
③ 生成测试报告
④ 支持poco等SDK内嵌，提高UI识别精度

Airtest界面（包含点击、滑动、判断、截屏等接口）

Airtest局限性

然而在实际工程中，图像不会一成不变，我们需要捕获项目的动态节点，针对动态节点进行点击、移动等操作（比如自走棋商店买旗子的位置节点）

我们需要另一个工具Poco。

1.2 Poco介绍

目前Poco只支持原生Android和ios的接口调用，其他平台均需要接入对应平台的sdk

Poco获取UI树的方式

从根节点开始向下遍历子节点

在unity项目中，需要在unity中安装Poco的SDK

Poco调用方法

Poco调用举例

poco = UnityPoco()
poco(‘btn_start‘).click()

① Airtest通过接口调用unity中的pocosdk，SDK对整个ui树进行遍历，将dump后的json信息传回Airtest。

② Airtest在得到的UI树中找到‘btn_start’的元素位置信息，通过adb进行点击操作。

1.3 强化学习的简述

Environment 通常利用马尔可夫过程来描述，Agent 通过采取某种 Policy 来产生Action，和 Environment 交互，产生一个 Reward。之后 Agent 根据 Reward 来调整优化当前的 Policy。

用上图更形象的解释，state是环境的一个状态，observation是Agent观察到的环境状态，这里observation和state是一个意思。首先Agent观察到环境的一个状态，比如是一杯水，然后Agent采取了一个行为，这个行为是Agent把杯子中的水给打碎了，这样环境的的状态已经发生了变化，然后系统会对这个行为打一个分数，来告诉Agent这样的行为是否正确，然后根据新变化的环境状态，Agent再采取进一步的行为。Agent所追求的目标就是让Reward尽量的大。

2. 项目执行过程：

2.1 背景

通过将训练好的一个Agent部署到服务器上，其他人通过访问服务器，流程如下：

① 测试端收集信息->测试端将信息转成约定好的state格式->测试端将state发给服务器->服务器返回一个Agent的决策->测试端收到信息执行决策->

② 测试端收集信息(新一轮循环的开始)...

在这个过程中，测试端收集信息耗时最为严重，针对项目需求决定对其部分进行优化。

2.2 具体问题

① poco首次调用dump接口时会启动大量mincap等诸多可执行文件，导致7秒左右的延迟。

② Airtest操作遇到的延迟过于严重，导致自走棋每回合可操作时间30秒内，只能进行4-5个动作。

然而本地训练的agent后期每回合操作数能达到16个左右，导致后期agent动作不能完全在客户端上做完。

2.3 解决方案

① 提前加载poco的click事件

② 定位到dump耗时严重，决定从sdk的接口出发，减少dump出的json文件大小。

a. 在unity的接口中，加入tagfilter、blacklist、propertylist参数，来控制json的文件大小。
其中tagfilter用于针对指定tag的unitygameobject的筛选，可以去除除UI和Default以外的所有物体。
blacklist用于针对unitygameobject名字的筛选，能提高dump效率50%
propertylist用于减少单个unitygameobject的参数写入，默认单个物体有10多个参数，筛选后可以省下6个左右的参数。可提高dump效率33%

b. 在python的接口使用对应接口参数

该方法完美解决了操作延迟的问题，目前客户端单回合30秒可以完成20个左右的动作。

2.4 具体步骤：

• layerfilter 在自走棋项目中，有13个layer。只对tag为UI和Default的UGO进行递归写入子节点信息，剔除掉场景、特效等层级，可以大幅减少开销。

• namefilter 并非所有UI节点信息都是自动化测试需要获得的必要数据。所以在递归查询子节点时，遇到写入黑名单的UGO的名字时，可以减少约50%的时间开销。

主要修改C#的poco中AbstractDumper中的dumpHierarchyImpl接口，具体如图：

private Dictionary<string, object> dumpHierarchyImpl (AbstractNode node, bool onlyVisibleNode, Dictionary<string, object> extrapar)
{
    if (node == null) 
    {
        return null;
    }
    Dictionary<string, object> payload = new Dictionary<string, object>();
    if (extrapar != null && extrapar.ContainsKey("param4") && extrapar["param4"] != null)
    {
        payload = node.enumerateAttrs(extrapar["param4"].ToString());
    }
    else
    {
        payload = node.enumerateAttrs(null);
    }
    Dictionary<string, object> result = new Dictionary<string, object> ();
    string name = (string)node.getAttr ("name");

    result.Add ("name", name);
    result.Add ("payload", payload);
    List<object> children = new List<object>();
    if (extrapar!= null)
    {
        if (extrapar.ContainsKey("param3") && extrapar["param3"] != null)
        {
            requirelayer = extrapar["param3"].ToString().Split(‘|‘).ToList();
            string layer = (string)node.getAttr("layer");
            if (!requirelayer.Contains(layer))
            {
                //Debug.LogError("--dumpHierarchyImpl layer is not contains");
                return result;
            }
        }
        if (extrapar.ContainsKey("param2") && extrapar["param2"] != null)
        {
            try
            {
                filterlist.Clear();
                string str = extrapar["param2"].ToString();
                filterlist = str.Split(‘|‘).ToList();
            }
            catch
            {
                Debug.LogError("~~~dumpHierarchy Implextrapar param2 error");
            }

            if (filterlist.Contains(name))
            {
                return result;
            }
        }
    }

    foreach (AbstractNode child in node.getChildren()) 
    {
        if (!onlyVisibleNode || (bool)child.getAttr ("visible")) 
        {
         children.Add (dumpHierarchyImpl (child, onlyVisibleNode, extrapar));
        }
    }
    if (children.Count > 0) 
    {
        result.Add ("children", children);
    }
    return result;
  }

• propertyfilter json默认dump出的一个节点参数包含：

name、payload、type、visible、pos、size、scale、anchorPoint、zOrders、clickable、components、_ilayer、layer、_instanceId等参数。我们剔除掉了
visible|scale|anchorPoint|clickable|components|_ilayer|layer|_instanceId实际上用不上的参数，大大减少的dump出来json的文件大小，可以减少约33%的时间开销。

主要修改C#的poco中UnityNode中的enumerateAttrs、GetPayload接口，具体如下：

  private Dictionary<string, object> GetPayload(string blackList)
  {
        Dictionary<string, object> all =  new Dictionary<string, object>() {
            { "name", gameObject.name },
            { "type", GuessObjectTypeFromComponentNames (components) },
            { "visible", GameObjectVisible (renderer, components) },
            { "pos", GameObjectPosInScreen (objectPos, renderer, rectTransform, rect) },
            { "rawpos", GameObjectVec3Pos (objectRawPos) },
            { "rawrectpos", GameObjectVec3Pos (objectRectRawPos) },
            { "size", GameObjectSizeInScreen (rect, rectTransform) },
            { "scale", new List<float> (){ 1.0f, 1.0f } },
            { "anchorPoint", GameObjectAnchorInScreen (renderer, rect, objectPos) },
            { "zOrders", GameObjectzOrders () },
            { "clickable", GameObjectClickable (components) },
            { "text", GameObjectText () },
            { "components", components },
            { "texture", GetImageSourceTexture () },
            { "tag", GameObjectTag () },
            { "_ilayer", GameObjectLayer() },
            { "layer", GameObjectLayerName() },
            { "_instanceId", gameObject.GetInstanceID () },
        };
        Dictionary<string, object> payload = new Dictionary<string, object>();
        if (!string.IsNullOrEmpty(blackList))
        {
            List<string> black_list = blackList.Split(‘|‘).ToList();
            foreach(KeyValuePair<string, object> it in all)
            {
                if(black_list.Contains(it.Key))
                {
                    continue;
                }
                payload.Add(it.Key,it.Value);
            }
        }
        else
        {
            payload = all;
        }

        return payload;
  }

PS：

我们是行者AI，我们在“AI＋游戏”中不断前行。

如果你也对游戏感兴趣，对AI充满好奇，那就快来加入我们（hr@xingzhe.ai）。

基于深度强化学习的局内战斗自动化测试探索

标签：rate   cts   观察   精度   bst   jpg   描述   下一步   adb   

原文地址：https://www.cnblogs.com/xingzheai/p/14115106.html