强化学习

概述

  • 传统的控制:将任务分解成多个任务的串并联,设计(子)控制器
  • 机器学习:将控制器压缩成黑盒Black box强化学习

强化学习不同于 监督、非监督学习(与静态数据交互),与环境产生交互,产生最优结果的动作序列。

强化学习架构

  • Agent: 由Policy 和 RL_Alg构成

  • Enviroment:

强化学习

关键定义

  • Reward:根据当前状态得到的即刻奖励
  • Value:根据当前状态预测的整个周期的reward(包括未来)

强化学习

未来奖励折扣:未来Value不最优

  1. reward now > reward later
  2. 未来的不确定性

  • Balance: exploration探索 vs exploitation利用

one step update
强化学习
强化学习

RL workflow

  • Env:Real or simulated?
  • Reward signal:指导agent按预期action
  • Policy:observation 映射到 action的结构
  • Training:选择算法寻优
  • Deploy/verify:部署agent

Q-function

更新states-action表格,根据s,选a
强化学习

缺点:带来维度灾难
对于连续空间,构建Value = w1 * state + w2 * action
手段:函数近似器
强化学习

策略梯度法

强化学习

缺点:

  1. 对于稀疏奖励问题,梯度小,训练慢
  2. 容易陷入区间极值

Value-function based

crictic评价网络
强化学习

  • 贝尔曼方程:
    R:reward
    Q:当前Q
    maxQ':未来最大的Q
    γ:折扣率discount factor[0,1]
    α:学习率learning rate强化学习

AC算法

图中有两个网络:actor、critic
actor:根据policy给出最大概率下的action
强化学习

完成离线仿真和学习之后,将policy部署到硬件
RL algorithm学习能力对于适应不确定干扰和缓变环境尤为重要
强化学习

AC网络的执行逻辑

while True: ?a = actor.choose_action(s)
s_,r,done,info = env.step(a)
td_error = critic.learn(s,r,s_)
actor.learn(s,a,td_error)
s = s_

DDPG——deep deterministic policy gradient

特点:

  • 连续空间与环境学习
  • 确定策略比随机快

将RL-agent用于高级任务,低级任务交给
强化学习

加入视觉、雷达等传感器后,观测量维数暴增,全连接层不管用
强化学习

改进RL系统需要注意的点

鲁棒性、安全性、可变性、可验证性
强化学习

  1. Robust:对于实际系统具有不确定性的值:制造装配公差引起的几何参数、力(力矩)、传感器采回的信号,送给agent前作随机处理。
  2. Safety:建立monitor,在系统出问题时接管到安全模式

传统架构,RL网络调参

优点:结构可解释, 验证性强
缺点:结构人为设计,对于复杂输入,性能非最优
强化学习

算法类型

Model-free:不尝试去理解环境, 环境给什么就是什么,一步一步等待真实世界的反馈, 再根据反馈采取下一步行动。

Model-based:先理解真实世界是怎样的, 并建立一个模型来模拟现实世界的反馈,通过想象来预判断接下来将要发生的所有情况,然后选择这些想象情况中最好的那种,并依据这种情况来采取下一步的策略。它比 Model-free 多出了一个虚拟环境,还有想象力。

Policy based:通过感官分析所处的环境, 直接输出下一步要采取的各种动作的概率, 然后根据概率采取行动。

Value based:输出的是所有动作的价值, 根据最高价值来选动作,这类方法不能选取连续的动作。

Monte-carlo update:游戏开始后, 要等待游戏结束, 然后再总结这一回合中的所有转折点, 再更新行为准则。

Temporal-difference update:在游戏进行中每一步都在更新, 不用等待游戏的结束, 这样就能边玩边学习了。

On-policy:必须本人在场, 并且一定是本人边玩边学习。

Off-policy:可以选择自己玩, 也可以选择看着别人玩, 通过看别人玩来学习别人的行为准则。

强化学习

相关推荐