谷歌提出非監(jiān)督強(qiáng)化學(xué)習(xí)新方法助力智能體發(fā)現(xiàn)多樣化可預(yù)測新技能
利用模型動力學(xué)實(shí)現(xiàn)基于模型的控制
DADS不僅可以發(fā)現(xiàn)可預(yù)測的潛在有用模型，同時允許高效地將學(xué)習(xí)到的技能應(yīng)用于下游任務(wù)中去�？梢岳脤W(xué)習(xí)到的技能動力學(xué)來預(yù)測每個技能的狀態(tài)轉(zhuǎn)移，預(yù)測的狀態(tài)轉(zhuǎn)移可以被銜接起來模擬任意技能的完整狀態(tài)軌跡，而無需在環(huán)境中執(zhí)行。因此我們可以模擬不同技能的軌跡，并為給定的任務(wù)選擇最高獎勵的技能。基于模型的規(guī)劃方法具有很高的樣本效率并無需額外的訓(xùn)練。相較于先前的方法是一個重要的進(jìn)步，無需針對學(xué)習(xí)到的技能在環(huán)境中進(jìn)行額外的訓(xùn)練。
利用智能體發(fā)現(xiàn)的技能，就可以在無需額外實(shí)驗(yàn)的情況下遍歷任意檢查點(diǎn)。上圖顯示了主體在檢查點(diǎn)間的遍歷情況。
真實(shí)實(shí)驗(yàn)
為了驗(yàn)證算法的有效性，研究人員針對這一算法提出了簡化版本off－DADS，通過離線學(xué)習(xí)對算法和系統(tǒng)上的改進(jìn)，使得模型可以利用從不同策略下收集的數(shù)據(jù)來改進(jìn)當(dāng)前策略。特別是對于先前數(shù)據(jù)的復(fù)用將顯著提升強(qiáng)化學(xué)習(xí)算法的樣本效率。在改進(jìn)的離線策略基礎(chǔ)上，研究人員從隨機(jī)初始化策略開始訓(xùn)練了小四足機(jī)器人，在沒有任何環(huán)境獎勵和手工探索策略的情況下，通過DADS定義的內(nèi)部獎勵實(shí)現(xiàn)了多種步態(tài)和方向性運(yùn)動。
這種新穎的非監(jiān)督學(xué)習(xí)技能發(fā)現(xiàn)方法可以在將來被用于更為廣泛的真實(shí)世界任務(wù)中，在最小化人類工作的情況下適應(yīng)廣泛場景和任務(wù)需求。未來研究人員們將在狀態(tài)表示和技能發(fā)現(xiàn)間進(jìn)行更為深入的研究，并探索將高級的運(yùn)動規(guī)劃和底層的控制進(jìn)行分離的技能探索策略。
分享
發(fā)表評論
請輸入評論內(nèi)容...
請輸入評論/評論長度6~500個字
