RL 的探索策略 | Exploration for RL


最近在草率地调研 RL 的 exploration。
这篇文章也比较草率，仅能起到辅助作用，不能代替读 review 或更精细的读 paper。

目录

0 总结写在最前面

  • exploration 主要工作的 motivation：鼓励探索。
  • 主要思想：给 agent 还不太熟悉的 novel state / state-action pair 一个额外的 intrinsic reward。
  • 影响深远的方法：count-based method：我们算算已经来过这个 state 多少次；
    • 如果来过很少次，那么，为了鼓励这种探索行为，给较大的 intrinsic reward；
    • 如果来过很多次，那么这个 state 没什么新意，intrinsic reward 会小一些。
  • prediction-based exploration：如何判断一个 state / (s,a) agent 是否熟悉呢？我们在跑 RL 的同时，维护一个 net 来学习我们曾遇到过的 state / (s,a)，然后看 这个 net 对当前 state 的预测误差之类。
    • 学 env dynamics：通过 (s,a,r,s') 中，给出 (s,a) 预测 s' 的误差，来判断 agent 是否熟悉当前 (s,a)。可以用 给出 (s,s') 预测 a 来消除 state 里的随机因素。
    • 不学 env dynamics：构造辅助 MDP（DORA），或预测 s 的一个 mapping（RND）。
  • memory-based exploration：维护一个我们已经去过的 state 的 memory。
    • Never Give Up（NGU）：episodic intrinsic reward：为每一 episode 维护一个 memory，然后希望每一 episode 都能尽可能访问到更多状态。具体的，把当前 state 与这一 episode 已跑过的 state（在 memory 中）比较相似性，如果不相似，则 intrinsic reward 大。（还有一部分 life-long intrinsic reward，直接使用 RND 网络蒸馏。）
    • Go-Explore：先到处乱跑（explore），并把到达每个 state 的 trajectory 记下来；然后拿 到达 target 的 trajectory 做 imitation learning。

1 主要参考资料

2 RL 的主流 exploration 方法

在 review（第一个参考资料）中，exploration 的研究有两种动机：效率动机 与 安全动机。前者希望 exploration 能帮助 RL 尽快学会，而后者希望 RL 试错学习的过程中 保证安全性。

  • 安全动机的 exploration 的主要方法：
    • 罚函数（给非常大的负 reward）；
    • 基于一些先验知识 强行限制（如强行改不安全的 action）。

对于效率动机的 exploration，这是 lilian weng 博客（第二个参考资料）的目录：

image-20230406211259866

我们的重点放在 1 prediction-based，2 memory-based。其他感觉都不是主流方法。

  • 关于 intrinsic reward：对每个 (s,a,r,s')，额外在 r 上加一个鼓励 exploration 的 reward。

2.1 经典 exploration 方法

  • ε-greedy：随机探索的概率是 ε。
  • Upper Confidence Bound：最大化 \(\hat Q(a)+\hat U(a)\)，其中 U 与 action 次数成反比。
  • Boltzmann exploration，Thompson sampling：
  • 添加一个 entropy loss \(H(\pi(a|s))\)，鼓励 action diversity。
  • noise-based exploration：在 obs、action 甚至 parameter space 里面掺 noise。
  • count-based exploration：用密度模型（或者某些哈希）来近似 state 访问的频率，然后用 \(1/\sqrt{N(s,a)}\) 之类作为 intrinsic reward，N 越小，reward 越大。（感觉和 upper confidence bound 差不多？）

2.2 prediction-based method：学习 env 的 dynamics

  • Intelligent Adaptive Curiosity（IAC）：
    • 核心思想：边训 RL 边学 system dynamics，如果遇到还没学会的情况，则给 intrinsic reward。
    • https://zhuanlan.zhihu.com/p/159742300
    • 预测 error：\(e(s,a) = ||f(s,a)-s'||^2\)，intrinsic reward：\(r=\frac1k\sum_{i=0}^{k-1}(e_{t-i-\tau}-e_{t-i})\)，其中 τ 为使用 error e 的滞后量，k 为滑动窗口长度。
  • Intrinsic Curiosity Module（ICM）：
    • IAC 无法解决 noisy-TV 问题：假设机械臂拿东西，但 env 里面有个一直播放 random 内容的电视机，作为 obs 的一部分，那我们的 network 怎么也预测不准电视机的内容，便会一直给较大的 intrinsic reward。
    • ICM 核心思想：维护一个预测 env dynamics 的模块：输入 s, a, s'，s 和 s' 过一个提取特征的 network 得到 φ(s) φ(s')，然后将 φ(s) φ(s') 放入第二个网络，预测 action a^，比较真 action 和预测 action 的差异。
    • 然而 ICM 的 intrinsic reward 是 |φ(s) - φ(s')|²，总的 loss function 包含 1. φ(s) 之差，2. 真 action 和预测 action 之差，3. 最大化 Σreward。
    • https://blog.csdn.net/qq_33328642/article/details/127396645
    • https://zhuanlan.zhihu.com/p/79226374
  • Variational information maximizing exploration（VIME）：

2.3 prediction-based method：不学 env dynamics 了

  • Directed Outreaching Reinforcement Action-Selection（DORA）：
    • https://zhuanlan.zhihu.com/p/78709539
    • 仍然是 count-based 的思想，奖励更少访问过的 (s,a)。
    • 通过构造一个新的 MDP 来估计 (s,a) 的访问次数：新 MDP 的 env 跟要学的 env 一样，但所有 reward 都是 0，初始化新 MDP 的 Q-value（称为 E-value）为全 1。
    • intrinsic reward：1 / log E。
  • Random Network Distillation（RND）：
    • https://zhuanlan.zhihu.com/p/485476646
    • https://zhuanlan.zhihu.com/p/146309991
    • count-based 方法的问题：很难在大规模环境、高维 / 连续 state-action space 下使用，因为对于绝大多数状态，count 都是 1 或 0。
    • 注意：RND 只关心 obs 我们是否熟悉，不关系 env dynamics。
    • RND 使用两个 net：一个固定的、随机初始化的 target network f，一个用来 train 的 predictor network f^。loss function 和 intrinsic reward 是 ||f(s) - f^(s)||²。
    • 本质上，还是在看 agent 对当前 state 的熟悉程度，因为 obs 出现越多，f^ 就训的越接近 f（所谓的把 f 蒸馏 distill 到 f^）。

2.4 memory-based method

  • Never Give Up（NGU）：
    • https://zhuanlan.zhihu.com/p/551992517
    • 应用：agent57。
    • NGU 的 intrinsic reward 分为：1. 局内内在奖励 (episodic intrinsic reward) ，2. 局间内在奖励 (life-long/inter-episodic intrinsic reward)。
    • episodic intrinsic reward：包括
      • embedding function φ，使用类似 ICM 的方法，通过 a^ = f(φ(s), φ(s')) 然后最小化 a 和 a^ 之差的方式，训练得到 obs 的 encoding φ；
      • episodic memory M，存储一个 epsiode 中 agent 遇到的所有 obs 对应的 controllable state。
      • episodic intrinsic reward；将当前 obs 对应的 s_t 与 episodic memory 中的内容进行比较，差异越大，表示当前 s_t 在本局（episode）中越新颖，intrinsic reward 越大。用一些相似度函数来计算 s_t 在本局中的新颖程度。
    • life-long intrinsic reward：激励 agent 在整个学习过程中尽可能多访问新状态。
      • 用 RND 来做：视野放宽到整个学习过程，拿每次获得的 obs 去蒸馏 f(obs) 网络。
    • 总的 intrinsic reward 是它们两个相乘，乘的时候 会截断太大或太小的值。
  • Go-Explore：

    • bing：Go-Explore 通过明确记住有希望的状态，并在有意探索之前返回到这些状态，来解决 RL 的挑战。它解决了所有以前未解决的 Atari 游戏，并超越了所有硬探索游戏的最新技术，对 Montezuma 的复仇和 Pitfall 的重大挑战得到了数量级的改进。

      Go-Explore的工作原理是利用三个原则：（1）记住以前访问过的状态，（2）首先回到一个有希望的状态（没有探索），然后从这个 state 开始探索，（3）通过任何可用的方法（包括引入确定性）解决模拟环境，然后通过模仿学习鲁棒化（robustification）。

      该算法将学习分为两个步骤：exploration 和 robustification。在 exploration 阶段，Go-Explore 为有趣的 state 维护一个档案，并且记住通向它们的 trajectory。它重复此过程，直到问题解决。

    • https://zhuanlan.zhihu.com/p/354656690
    • https://blog.51cto.com/u_15887260/5876899
    • intrinsic reward 方法的两个问题：
      • 1 detachment：agent 探索完区域 A 然后再去探索区域 B，假设区域 A 是很好的，但是由于“深度学习的灾难性遗忘”，agent 在探索 B 的时候，很快就忘记了怎么走才能到 A，然而此时因为 A 已经被逛过，count-based intrinsic reward 也奖励的不多了，于是再也返回不到区域 A；
      • 2 derailment：即使 agent 记下了去往区域 A 的路，但因为它仍在跑 exploration，所以中间必然会有一些随机性，导致 agent 的实际路线跟它记下的去往 A 的 trajectory 不一致，最终与记下的 trajectory 脱轨（derailment）。
    • 因此，Go-Explore：
      • 第一阶段 Exploration phase：目的是把整个 env 里所有 state 跑一遍。我们维护一个已访问的 state 的存档（archive），它同时记录了前往各个 state 的 trajectory。每轮迭代按一定规则选出一个 state，利用存档中的信息走到这个 state，再从此出发做探索。如果探索到了新的 state，或者到达某个 state 的更好的 trajectory，就将其加入 / 更新存档。只要探索阶段做的足够好，我们几乎可以找到去向任何 state 的较好的 trajectory，其中也包括可以完成既定任务的轨迹，即 explore until solved。
      • 第二阶段 Robustification phase：使用阶段一得到的轨迹 做模仿学习，得到足够鲁棒的策略。拿到一条高奖励的 trajectory 之后，先把 agent 放在离 轨迹末端的目标 较近的位置，让 agent 能够学习到如何从这个离目标很近的状态走到目标。然后，再逐步把 agent 放在轨迹上离目标更远的地方，让 agent 逐步学到如何从初始位置走到目标位置。学习算法还是 PPO 等通用 RL 算法。这个过程可以看做 curriculum learning。
    • policy-based Go-Explore：关于 returning（即 沿着记下来的 trajectory 到某个想去的 state），除了在 archive 做 imitation learning，还可以 execute a policy conditioned on the returning state，即使用 goal-condition 策略。这种方法没有 imitation learning 有效，但不需要做 robustification 这一步（即 专门去学一条完成任务的 trajectory），并且，除了能够 return 到之前的 states，一个 goal-conditioned policy 也能泛化到其他的目标（？）。
  • DTSIL（Diverse Trajectory-conditioned Self-Imitation Learning）：

    • bing：多样化轨迹条件自模仿学习（DTSIL）是一种 RL 算法，通过利用过去成功的策略，来提高策略学习和样本效率。通过模仿过去的经验 + 在模仿完成后跑随机探索，它能在 limited directions 中利用好的 experiences。

      DTSIL 维护 trajectories 和 state feature 的 buffer。对于新 feature，如果它靠近 buffer 中的某个 feature，则会增加该 feature 的计数。如果当前 episode 的这个 trajectory 在 total reward 或长度上优于 buffer 中通往该 feature 的 trajectory ，则替换 buffer 中的 trajectory 和 feature，否则向 buffer 中添加新的 feature + trajectory。

    • “在 policy-based Go-Explore 的基础上，给记录的样本加入优先级，优先学习出现稀有状态的轨迹”。

2.5 其他

posted @ 2023-04-06 21:58  MoonOut  阅读(316)  评论(0)  编辑  收藏  举报