RL论文阅读12-mf-HER2017

1. Tittle

source

2017

2. 标签

• model-free

3. 总结

针对的问题：

• reward function的设计是很复杂的，不仅需要反映任务的本质 而且还有精心设计才能够使策略最优化。

• 稀疏奖励或者二进制奖励很难训练。

• 提高reward是稀疏的或者是1/0的这种形式时的sample-efficiency，从而避免复杂的reward设计。

解决方法：

• 提出了一个新的技术叫做Hindsight Experience Replay。 能够针对所有的off-policy RL算法进行使用。
• 算法的核心思想：输入是当前状态+目标状态。在每个episode进行replay时，使用不同的agent想要达到的目标，而不是仅仅只使用一个目标。

paper中提到的一个例子：当打冰球的时候，如果偏向右侧了，那么想要得到的结论是：如果这个网再往右移一点（不同的目标），这一些列动作（episode）就能够成功了。

3. 原理

Background

• DQN
• DDPG
• UVFA：Universal Value Function Approximators
  • 是DQN对于多目标的拓展。希望能够达到不止一个目标。Q-function扩展成为状态status、行为action、目标goal 对。在每个时间步，agent得到动作与状态status和目标goal相关。不同的目标有不同的奖励函数。

HER原理

例子： n维度的0/1转换。

• 状态空间KaTeX parse error: Undefined control sequence: \cal at position 1: \̲c̲a̲l̲ ̲S \it = \{0,1\}…

• 动作空间KaTeX parse error: Undefined control sequence: \cal at position 1: \̲c̲a̲l̲ ̲A = \it \{0,1..… ，代表反转哪一个维度的状态。每个动作只转换一个维度。

  每一个episode，统一采样初始化状态和目标状态。只要状态和目标状态不相同，就会得到-1的reward

对于这个问题，标准的RL算法当n>40时，就会失败。

​ 问题不在于缺少状态的多样性，而是去探索这么大的状态空间（如n=40,状态空间是$2^{40}$）是不现实的。标准的解决办法是使用含有更多信息的shaped reward function去引导agent走向走向目标。例如$r_g(s,a)=-||s-g|{|}^2$

$r_g$是针对目标g的奖励。

核心思想就是在replay时使用不同的目标，例如除了使用最终的target，还可以使用最后的状态$s_T$作为目标。这样做就可以得到更多的信息了。

下面表格为DDPG和DDPG-HER的对比：

	DDPG	DDPG-HER
Actor Net：Input	State	state||goal
Actor Net : Output	actions	actions
Critic Net：Input	state||actions	state||goal||actions
Critic Net：Output	Q	Q

显然，HER把goal也作为一个产生动作和评价价值的一个指标。

多目标RL

• multi-goal RL比单一任务更容易训练
• goal可以是state的全部后者部分属性

构造replay buffer

HER的关键在于构造replay的数据。以论文中的机械臂FetchReach-V1为例：

环境ENV返回的observations中包含了：（在gym中，observation就是我们公式讨论时的state）

• observation：当前的状态

• achieved_goal: 当前已经达到的目标（是个三维度的坐标）

• desired_goal: 最终目标（一旦设定后，在单次模拟中不会改变）

我们需要记录一系列的轨迹，如设定env走50步为一个完整的序列，称之为rollout，将这50步存储起来。之所以要取连续的，是因为我们需要知道achieved_goal与observation的先后关系。因为我们一会要用achieved_goal替换掉部分的desired_goal

然后我们就可以开始构造HER版本的replay数据了，在每次sample replay的数据时，我们都有以下几种方式进行构造：

• final：只使用episode的最后一个状态
• future：从该episode中，选取k个state，然后用k个state之后达到的achieved_goal去替换他们当前的desired_goal（效果最好）
• episode：从该episode中随机选择k个状态
• random：从所有的训练数据中随机选择k个转台

future 例图（图中没有画reward）：

HRE算法描述

在replay时，不仅仅使用原始的目标，还使用其他的目标。这些目标是受actions的影响。注意算法描述中G的来源。

4. 实验

没有标准的multi-goal RL算法，所以作者创建了自己的环境，是机械臂抓取的一个模拟。最后应用到了实际的机器手臂上。

• 实验证明有HER的加入，提升了multi-goal训练速度，对于某些任务能够提升准确性。

• 对于单一目标的应用

• 不同版本的HER，future效果最好