ViZDoom：让 AI 在毁灭战士中学会"看"与"打"

背景：从经典游戏到强化学习圣地

1993 年，id Software 发布《毁灭战士》（Doom），定义了"第一人称射击游戏"的黄金标准。二十多年后，波兰马伯格大学的研究团队做了一件让游戏史和 AI 史都铭记的事——他们把 Doom 改造成了强化学习的标准实验场，诞生了 ViZDoom。2023 年，项目正式移交至 Farama Foundation（Gymnasium 强化学习库的维护者），进入持续活跃维护期。

这不只是一个"让 AI 打游戏"的项目。它的核心价值在于：提供了一个几乎免费的、接近真实 3D 世界的感知-决策实验平台。在 Atari 游戏上刷分固然爽，但 Doom 的 3D 空间、即时射击、多房间导航，对 AI 的挑战是质的飞跃。

核心功能：从屏幕像素到决策动作

ViZDoom 提供两种核心交互模式：

1. 原生 Python API（底层）

from vizdoom import DoomGame
game = DoomGame()
game.set_doom_game_path("freedoom2.wad")
game.init()
state = game.get_state()
# 访问屏幕缓冲区、深度图、标签图、音频缓冲区等
action = [0, 0, 1, 0, 0]  # 向右转
game.make_action(action)

开发者可以直接访问 Doom 引擎渲染出的原始缓冲区：320×240 像素的屏幕画面、自动化地图数据（automap buffer）、游戏物体标签（labels）、扇区几何信息（sectors）。这给了研究者最大的灵活性。

2. Gymnasium 集成（高层） ViZDoom 完整接入了 Farama Foundation 的 Gymnasium 接口，成为 RL 算法评测的标准环境之一：

import gymnasium as gym
env = gym.make("VizdoomDeadlyCorridor-v1")
obs, info = env.reset()
obs, reward, terminated, truncated, info = env.step(action)
env.close()

支持的场景包括：basic.cfg（简单移动）、deadly_corridor.cfg（走廊穿越）、defend_the_center.cfg（防守战）、defend_the_line.cfg（防线守卫）、health_gathering.cfg（资源收集）、my_way_home.cfg（导航挑战）、predict_position.cfg（位置预测）、take_cover.cfg（掩体战术）等，覆盖了从感知到决策的各类任务。

图1：ViZDoom 官方 Logo（Farama Foundation 维护）

图2：ViZDoom 环境渲染的 Doom 场景，AI 仅凭像素级画面做出决策

图3：Deadly Corridor 场景可视化，绿色为走廊，红色为敌人必经区域

技术架构：C++ 核心 + Python 绑定的混合架构

ViZDoom 的架构分为三层：

• C++11 核心 + ZDoom 引擎分叉：核心是 Doom 的开源克隆 ZDoom，经过大量修改后作为研究平台。渲染、物理、音频全在 C++ 层完成。
• Python 绑定（pybind11）：通过 pybind11 将 C++ API 暴露给 Python，同时自动生成 .pyi 类型存根文件，IDE 友好。
• Gymnasium Wrapper：完整的 Gymnasium v1 兼容层，让 ViZDoom 可以直接被 Stable-Baselines3、RLlib 等主流 RL 库调用。

构建系统使用 CMake，支持 Linux（GCC/Clang）、macOS（Homebrew 依赖）、Windows（MSVC）。wheel 构建依赖 cibuildwheel，提供 Python 3.9-3.14 的预编译 wheel 包，用户无需从源码编译即可使用 pip 安装。

学术影响力：ViZDoom 竞赛与论文

ViZDoom 不仅是一个工具，更催生了一个完整的学术生态。2016-2019 年期间举办的多届 Visual Doom AI Competition（CIG 会议）吸引了全球顶尖团队参赛。2018 年发表的综述论文 "ViZDoom Competitions: Playing Doom from Pixels"（arXiv:1809.03470）系统总结了竞赛成果，得出重要结论：纯像素输入下，强化学习可以训练出胜任 Doom 的 AI bot，但与人类顶尖玩家仍有显著差距。这一结论对后来 ALM、RT-2 等多模态大模型在游戏/机器人领域的研究有重要铺垫作用。

部署门槛与上手路径

从 pip 安装（推荐）：

pip install vizdoom

Python wheel 已发布，直接安装无需编译。但 C++ 依赖（SDL2、Boost、OpenAL）仍需系统级依赖。

从源码编译： 需要 CMake 3.12+、Boost 1.70+、SDL2、OpenAL。在 Linux 上：

yum install cmake git boost-devel SDL2-devel openal-soft-devel
cmake -B build && cmake --build build

编译难度中等，Farama 提供了详细的 CI/CD 构建流程供参考。

不支持 Docker 快速部署：ViZDoom 需要 ZDoom 引擎原生库，无预构建 Docker 镜像，是其快速部署的主要障碍。

局限与争议

1. 画面分辨率偏低：默认 320×240，与现代视觉模型（原生处理 224/512/1024+）有差距，需要 resize 后再喂给神经网络。
2. 仅支持 CPU 渲染：无 GPU 加速的渲染管线，大规模并行环境需要多进程管理。
3. 学术工具包定位：不面向终端用户，缺乏 Web UI 或图形化界面，研究者需要自己搭建可视化。
4. 被 Gymnasium 生态稀释：随着 Gymnasium 接入更多现代环境（Atari 2600、MuJoCo、MetaWorld），ViZDoom 的独特性在下降。

行业意义与趋势

ViZDoom 代表了"游戏 AI 研究平台"这一范式的黄金时代（2013-2020）。它证明了：

• 3D 感知 + 动作决策可以在模拟环境中高效研究
• 从像素学习策略是可行的，为后来的 DQN、PPO 等算法提供了验证床
• 学术竞赛是推动 RL 工具链快速迭代的有效机制

随着大模型（VLM/ARM）崛起，Doom 的角色正在从"挑战者"转变为"基准测试平台"——用成熟算法在经典场景上跑基线，与新场景对比效率。ViZDoom 仍然活跃更新（2026 年仍有提交），Farama Foundation 接手后持续维护了其 PyPI 分发和 GitHub CI。

---

技术标签：C++ / Python / Reinforcement Learning / Gymnasium / ZDoom Engine / Computer Vision / Deep Learning

适用场景：RL 算法研究 / 学术论文基准 / AI 感知-决策实验 / 课程教学