[DDPG] Continuous Control with Deep Reinforcement Learning

论文链接：https://arxiv.org/abs/1509.02971
引用：Lillicrap T P, Hunt J J, Pritzel A, et al. Continuous control with deep reinforcement learning[J]. arXiv preprint arXiv:1509.02971, 2015.

概述

Deep Deterministic Policy Gradient (DDPG) 是DPG算法加上深度学习的版本，是一个 model-free、off-policy 的 actor-critic 系算法，使用深度神经网络作为函数近似方程，主要的特点是支持高维度的连续的动作空间，这是在DQN算法上的一个主要突破，其实也就是因为是 actor-critic 系的算法，所以支持连续动作空间。

算法

主要创新点

• 也使用了DQN算法中的 replay buffer / experience replay 的技术
• 创新地使用了Soft Target Update的技术，与DQN中设立了target network，然后阶段性地将policy network的参数直接拷贝给target network的放法不同的是，这里虽然也是为actor和critic都分别设立了一个target版本，但是并不是直接将进行更新的policy版的参数全部直接拷贝给它们，而是使用了一个系数$\tau$来更新参数：${\theta }^{\prime }\leftarrow \tau \theta +(1-\tau ){\theta }^{\prime }$，且其中$\tau \ll 1$，这样就会将学习到的参数更加soft地拷贝给目标网络，从而极大地提升了训练中的稳定性。
• 不同于DQN中使用的$ϵ$-greedy的方式平衡exploration和exploitation，DDPG使用的方法是，在选择一个新的动作的时候，给policy函数返回的动作值增加一个噪音：${\mu }^{\prime }(s_t)=\mu (s_t|{\theta }_t^{\mu })+N$，这里的$N$就是一个简单的概率分布，比如高斯分布，而且它的选择是根据不同的环境而设计的。
• 为了是一套网络结构、算法与超参数适应于不同的实验环境，使用了 batch normalization 的技术，对于每一个batch中的样本进行了normalization，降低了方差。
• 在论文中所提到的所有实验中，也是使用了同一套网络结构和超参数，从而验证了其稳定性、普适性和一般性

其他的点

• 作者最后提到，也将这个算法应用于了DQN所涉及的多个Atari游戏中，并表示DDPG算法在达到相近效果时很大程度上地使用了更少的训练轮次