深度强化学习CS285 lec10-lec12（记得看LQR基础知识）

概述

之前lecture的RL算法，称作Model-free，其优化目标称为standard RL objective如下：
$$\begin{array}{r}{\theta }^{\ast }=\underset{\theta }{\mathrm{argmax}}{E}_{\tau \sim p_{\theta }(\tau )}[\sum _{t}r(s_t,a_t)]\\ p_{\theta }(\tau )=p(s_1)\prod _{t=1}^T{\pi }_{\theta }(a_t|s_t)p(s_{t+1}|s_t,a_t)\end{array}$$
对策略policy参数求微分时，忽略了$p(s_{t+1}|s_t,a_t)$，是standard-RL中的特点，基于采样的轨迹样本$\tau$来进行值估计$Q(s,a)$，或者策略梯度PG更新，得到策略${\pi }_{\theta }(a_t|s_t)$，这个过程并没有对环境建模，靠的是环境反馈的监督信号$r(s,a)$。直观理解，一个agent的学习过程完全靠的是trial and error，眼前的路一抹黑，做对了继续做，做错就改，只接受对环境反馈的奖励信息去臆测，而没有对环境感知甚至认知的学习，这样的学习有点”学而不思“，但又因为不受imperfect环境模型的约束，而更flexible，能学到非常好的policy，只是没法将这些策略之间可能性的联系捕捉，缺点就是需要更多的样本。
而Model-Based，就是对环境建立一个model，$p(s^{\prime }|s,a)$，利用对环境的感知进行规划(planning)、预测(prediction)、控制(control)。可以利用model进行最优控制(optimal control)，或者在model中辅助policy的学习。下面章节安排为：

• 第一章最优控制：有了dynamics model后，怎么去做规划planning?
• 第二章MBRL : 如何学习dynamics model，会遇到哪些困难，怎么克服？
• 第三章Policy Learning with MBRL：怎么通过dynamics model去学习一个policy？为什么需要学习policy？会遇到哪些困难，该如何克服？

一、最优控制与规划（Optimal Control and Planning）

1.1 问题分类

划分维度有两个，一个是环境的反馈方式分为open-loop与closed loop，另一个是环境的dynamics类型分为deterministic与stochastic

1. 环境反馈方式

• Open-Loop 开环
  

Agent知道环境的初始状态$s_1$，输出一个动作序列$a_1,...,a_T$进行control，中间不接受环境的new state反馈，寻找一个最优动作序列，使得$\sum r(s_t,a_t)$最大，假设dynamics是deterministic的，问题描述为：

$$\begin{gathered} a_1,a_2,...,a_T=\underset{a_1,a_2,...,a_T}{\mathrm{argmax}}\sum _{t=1}^{T}r(s_t,a_t) \\ s.t{s}_{t+1}=f(s_t,a_t) \end{gathered}$$

如果dynamics是stochastic的，那问题描述为：
$$\begin{gathered} a_1,...,a_T=\underset{a_1,...,a_T}{\mathrm{argmax}}{E}_{s^{\prime }\sim p(s^{\prime }|s,a)}[\sum _{t=1}^{T}r(s_t,a_t)|a_1,...,a_T] \\ p(s_1,s_2,...,s_T|a_1,...,a_T)=p(s_1)\prod _{t=1}^{T}p(s_{t+1}|s_t,a_t) \end{gathered}$$

因为当动作序列$a_1,a_2,...,a_T$选定后，deterministic的dynamics时，当在状态$s_t$时，下一状态$s_{t+1}$是确定的，因此就不需要Expected Reward；而stochastic的dynamics的话，当在状态$s_t$时，即使动作序列$a_t$也给定，但下一状态还是不确定的，因此当前的$r(s_t,a_t)$需要Expected Reward；

• Closed-Loop 闭环
  

闭环，一般有两种，第一种是Model-free的，Agent自身有一个policy$\pi (a|s)$；第二种是Model-Based的规划控制，Agent接受到环境的初始状态$s_1$后，agent通过planning，根据自身模拟的stochastic dynamics model采样预测下一状态$s_2$，最大化reward后给出一个可能的动作序列$a_1,a_2,...,a_T$，执行$a_1$后，观察来自环境真实的$s_2$，可以选择做调整即replan，也可以选择按照原来的plan执行，这时agent不仅可以根据真实环境的state来调整自己的dynamics model，也可以引入MPC（Model Predictive Control）来选择replan与否。
stochastic closed-loop 的问题描述为：

$$\begin{array}{rl}{\pi }^{\ast }& =\underset{\pi }{\mathrm{argmax}}{E}_{\tau \sim p(\tau )}[\sum _{t}r(s_t,a_t)]\\ & =\underset{\pi }{\mathrm{argmax}}{E}_{a\sim \pi (a|s),s^{\prime }\sim p(s^{\prime }|s,a)}[\sum _{t}r(s_t,a_t)]\\ p(s_1,...,& s_T,a_1,...,a_T)=p(s_1)\prod _{t=1}^T\pi (a_t|s_t)p(s_{t+1}|s_t,a_t)\end{array}$$

闭环deterministic的dynamics model比较简单，因为下一状态是确定的，而环境又不断给到真实反馈，所以拟合起来十分简单，此处省略。

1.2 解决方法

1.2.1 随机优化方法 Stochastic Optimization（Continuous action）

首先介绍一种只适合open-loop planning的随机优化方法，一般用于连续的动作。给定初始状态$s_1$

• random shooting method (guess&check)
  思想：随机选择几组动作，从中选出使性能指标最好的一组。

1. 随机选择一些动作$a_1,...,a_T$
2. Run拟合好的dynamics model $s_{t+1}=f(s_t,a_t)$
3. 计算reward${\sum }_{t}r(s_t,a_t)$或者损失$J(a_1,a_2,...,a_T)$
4. 从中选择最高的reward或者损失最低的动作序列$a_1,...,a_T$

• Cross Entropy Method (CEM)
  思想：假设动作序列服从某一先验分布，通过数据后验更新，来拟合较优轨迹服从的分布

1. 假设动作序列$A^i=a_1^i,a_2^i,...,a_T^i$服从多元分布，如高斯分布$A\sim N(u,\Sigma )$
2. 评估这些动作序列$J(A_1),J(A_2),...,J(A_n)$
3. 排序后，选择使损失最低的M条动作序列$M=J(A_i),J(A_{i+1}),...,J(A_{i+M-1})$
4. 利用该M条动作序列的mean和variance更新高斯分布$A$的参数，重复该过程

• Covariance Matrix Adaptation Evolution Strategy (CMA-ES)
  思想：通过进一步调整CEM中的更新时的步长参数与协方差矩阵的参数，使得参数调整沿好的搜索方向进行搜索的概率增大。
  CMA-ES是CEM的进一步细化，是目前进化策略ES中应用最多的算法之一。假设动作序列同样服从高斯分布$A\sim N(m_t,{\sigma }_t^2{C}_t)$，将每个动作序列建模成：
  $$A_i=m_t+{\sigma }_t{y}_i,y_i\sim N(0,C_t)$$$y_i$被建模成一个搜索方向，由协方差矩阵的特征分解得到$C_t=B{D}^2{B}^T$，于是有$y_i=BD{z}_i,z_i\sim N(0,I)$。
  稍微回顾一下协方差矩阵：多元正态分布的概率密度是由协方差矩阵的特征向量矩阵$B$控制旋转(rotation)，特征值的根号对角矩阵$D$控制尺度(scale)，详情可见协方差矩阵的分解.
  CMA-ES对均值$m_t$的更新是对选出来的M个值加权求和与CEM相差无几：
  $$m_{t+1}=\sum _i^M{w}_i{A}_i$$不同之处在于对协方差矩阵$C_t$的更新，更新原理是构造进化路径，并增大沿成功搜索方向$y_i$的方差，即增大沿这些方向采样的概率.
  具体公式原理可参见协方差自适应调整进化策略

小总结一下：上述shooting methods都比较简单，并行起来计算速度也快，其中CMA-ES有点类似于CEM with momentum，是逐步升级的算法。但都有一个共同的缺点，就是当一个动作的维度dimension增大时，搜索空间也极具增大，需要限制在35个随机变量以下。

1.2.2 蒙特卡洛树搜索 MCTS（Discrete Action）

当动作是离散的时候，已经有了一个dynamics model，$p(s^{\prime }|s,a)$或者$s_{t+1}=f(s_t,a_t)$，于是就可以通过tree search，利用model进行planning。MCTS的planning主要分成四个模块：

• Selection：对于已经知道状态seen state下的所有actions，按照UCB(Upper Confidence Bound)的原则去选取动作。
• Expansion：对于已经知道状态seen state的下的有未探索过的动作action时，Expand这个state的该action分支
• Simulation：当进入一个全新状态的state，即$V(newstate)=0$，可以不使用UCB来选动作了，采用random policy吧
• Backpropagation：探索到一个终结状态后，更新Selection与Expansion中状态的value与state visits.

因为知道了dynamics model后，就知道了state node之间的转移，构建一个新的tree进行plan就好了，结合如下伪代码加强理解MCTS的思想：

function MCTS_sample(state)
	state.visits++
	if all children of state expanded:
		next_state = UCB_sample(state)
		winner = MCTS_sample(next_state)
	else:
		if some children of state expanded:
			next_state = expand(random unexpanded child)
		else:
			next_state = state
		winner = random_playout(next_state)
	update_value(state,winner)

UCB（Upper Confidence Bound) :
$$a_t=\underset{a}{\mathrm{argmax}}[Q_t(a)+c\sqrt{\frac{ln{N}_t}{N_t(a)}}]$$
$Q_t(a)$为value estimate，$c$为可调整的超参数，$N$为当前action node的父结点的访问次数，$N_t(a)$为在父节点的状态下，选择动作$a$次数。
UCB的评分原则是：

• 该动作的分数，随着该动作访问次数的增大而减小（鼓励explore）
• 该动作的分数，随着node value$Q_t(a)$的增大而增大（即exploit）
• 总是会探索完所有的action，不然$N_t(a)=0$，分数无穷大哦～（这就是为啥MCTS适合是离散动作的）

更详细的讲解可以参考这篇paper MCTS Tutorial，非常详细～
A Survey of Monte Carlo Tree Search Methods

1.2.3 LQR Framework

之前的解决方法，stochastic optimization是随机优化连续动作的轨迹，MCTS是通过估计状态值，学习得一个plan tree，然后再search的，是一个离散动作轨迹的优化，这都称作shooting method，只顾着优化action，寻得最优动作序列，问题表述如下：
$$\begin{array}{l}{\min }_{{\mathbf{u}}_1,\dots ,{\mathbf{u}}_T}c\left({\mathbf{x}}_1,{\mathbf{u}}_1\right)+c\left(f\left({\mathbf{x}}_1,{\mathbf{u}}_1\right),{\mathbf{u}}_2\right)+\cdots +c\left(f(f(\dots )\dots ),{\mathbf{u}}_T\right)\end{array}$$
而使用梯度信息的方法，称作collocation method，是一个带约束的优化问题，不止优化action，还连同state一起优化，问题表述如下：
$$\underset{{\mathbf{u}}_1,\dots ,{\mathbf{u}}_T,{\mathbf{x}}_1,\dots ,{\mathbf{x}}_T}{\min }\sum _{t=1}^{T}c\left({\mathbf{x}}_t,{\mathbf{u}}_t\right)\text{ s.t. }{\mathbf{x}}_t=f\left({\mathbf{x}}_{t-1},{\mathbf{u}}_{t-1}\right)$$

具体的解决方法参见上一篇文章LQR Framework的基础知识。

二、MBRL Without Policy Learning

2.1 Factors That Matters

• dynamics model的模型结构选择问题，如高斯结构、深度网络、高斯过程等等
• 如何衡量dynamics model中的Uncertainty？如何在model中操作这个不确定性？
• 如何面对复杂的状态？比如一张图片，难道一个transition$(s,a,s^{\prime })$中的$s$对应一张图片？那也太高维度了吧=。=
• 这一章要围绕的就是，怎么学好这个dynamics model

2.2 MBRL算法概述

MRBL0.5算法找一个不错的policy，收集transition data到一个Dataset中，然后就可以进行dynamics model的拟合，拟合好后直接用plan。这种拟合dynamics model的算法与一开始介绍的lec1-lec4中的imitation learning很像，等同于behavioral cloning。因此会有一个distribution mismatch的问题。所以很自然地借鉴DAgger的解决办法，于有了以下MBRL1.0的算法：

MBRL1.0相当于把plan过程中与环境交互的transition作为新样本，回炉再造dynamics，那现在是不是可以了？
当dynamics model拟合得一般的时候，agent连续利用$s_{t+1}=f(s_t,a_t)$预测下一状态，选出动作序列$a_1,a_2,...a_T$时，会出现compound error的现象，只要model有一点点瑕疵，不断利用其预测下一状态会往糟糕的方向越走越远，因此希望能恰当的时候进行replan，并选择适当的视野horizon，即plan几个动作，比如plan太长动作序列会有coupound error，plan视野太短，又过于短视，容易陷进local minima。下面就是引入了Model Predictive Control进行replan的MBRL1.5算法，已经是一个能work的算法了。

这样应该就比较理想了，但在ICRA2018上一篇Nagabandi的论文，做实验后发现，咦，为什么model-based的表现这么差呢？尽管样本利用率比起model-free确实高不少。很自然想法，可以在model-based train好的policy做model-free的初始化，再用model-free算法继续train，类似于Fine tune。

很可能的原因是，dynamics model过拟合了，遇到一些没见过的状态，不知所措，比如$s_1\to s_3\to s_5$其中$s_1,s_5$都很熟悉，完全可以预测到下一状态，但$s_3$没见过呀，只能瞎走了；也有可能是受到了不确定性的困扰，导致不知所措，原地踏步，呜呜呜。
何为受到不确定性Uncertainty的困扰呢？

2.3 Uncertainty-Aware Dynamics Model

2.3.1 Types of Uncertainty

• Model Uncertainty
  
  最需要考虑的是来自模型的Uncertainty。比如上图中，x轴为轨迹点$\tau$，y轴为该轨迹的奖励信号$R(\tau )$，本来真实的轨迹是一条横线，但由于选择的dynamics model太容易过拟合了，现有的数据样本完美过拟合，本来在x轴（-5,0)的位置对应的轨迹是低的，但模型拟合得过高，而优化目标是max这个reward，这就是为什么model-based效果一般的原因。很自然地，将优化目标中的max reward改成Uncertainty中Expected Reward，会比较好。当reward的mean大，Variance大的时候，鼓励去探索，但当reward的mean小，Variance小的时候，就可以有效避免一些极其糟糕的状态，比如从悬崖cliff掉下去这个极端情况。
• Data Uncertainty
  
  数据的不确定性主要源于噪声noise，次要因素，在环境中增加随机噪声，或者在数据中加点随机噪声都能减轻这个uncertainty的影响。

那应该怎么解决Model Uncertainty的问题呢？有没有适用于RL中Dynamics Model的Penalty term呢？这个应该有，但还没寻找相关文献看实验效果，先留着。PPT中提到另一种solution，就是去估计模型中的Uncertainty，即Uncertainty-aware Dynamics Model.

2.3.2 Estimate Model Uncertainty

如何衡量Model Uncertainty？通常，我们通过最大似然法进行估计，利用数据Data去估计模型参数$\theta$，通过贝叶斯公式，选择一组使似然函数最大的参数。
$$\underset{\theta }{\mathrm{argmax}}p(\theta |D)=\underset{\theta }{\mathrm{argmax}}p(D|\theta )$$

衡量Uncertainty的关键就在于，选择参数的分布，而不是一组使似然函数最大的参数，即$p(\theta |D)$，如下面贝叶斯网络BNN所示：

• Bayesian Neural Network
  
  估计目标是$p(\theta |D)$，是分布，预测的时候：
  $$p(s_{t+1}|s_t,a_t)=\int p(s_{t+1}|s_t,a_t,\theta )p(\theta |D)d\theta$$

  对估计好的参数分布中的每个可能组合$\theta$，对确定的dynamics model进行求和，这在计算上是intractable的，因此一般需要通过近似：
  $$\int p(s_{t+1}|s_t,a_t,\theta )p(\theta |D)d\theta \approx \frac{1}{N}\sum _{i}p(s_{t+1}|s_t,a_t,{\theta }_i)$$
  这种做法缺点就是，需要多个网络近似，无论是复杂度还是空间开销都提升了几倍，因此一般$N\le 10$，称作Bootstrap Ensemble，如下。

• Bootstrap Ensemble
  
  train多个不同的网络，一种方式是利用独立的数据子集分别train单独的网络，train的方式很多样。另一种也可是将多个网络做Knowledge Distillation到一个网络中，各种teacher，克服时空间复杂度增长的问题，这应该很好做，不知是否有paper尝试过用到deep RL里来看效果。

其实还可以有高斯过程GP与变分推断Variational Inference来衡量Uncertainy，其它方式可参见两篇Paper。
Weight Uncertainty in Neural Networks 2015 ICML
Concrete Dropout 2017 NIPS
还有一些关于Deep Dynamics Model的Paper：

1. Deep Reinforcement Learning in a Handful of Trials using
   Probabilistic Dynamics Models 2018 NIPS
2. Sample-Efficient Reinforcement Learning with Stochastic
   Ensemble Value Expansion 2018 NIPS

2.4 Complex Observations

当接收的信息是image的时候，由于维度过高，不能像之前那样直接把simple observation当作state了。需要为observation建立一个映射mapping，将obervation转换到state空间。在MDP中state可以理解为是对环境的完全抽象，即假设了state包含所需要知道的完整信息，这个称作state abstraction。state estimation需要将高维度的observation转成低维度的state，相当于对observation做了一个projection 到state latent space。
回顾比较完整的MDP过程，定义：

1. dynamics model $p(s_{t+1}|s_t,a_t)$：下一状态的分布
2. observation model $p(o_t|s_t)$：状态$s_t$上出现观测值$o_t$的概率(image reconstruction)
3. reward model $p(r_t|s_t,a_t)$：执行状态动作后，奖励服从的分布

以上model是确定值deterministic 或者 服从分布的随机值stochastic均可

我们看看这个latent space的过程具体是怎样的。
之前拟合dynamics model时，第$i$个轨迹的一个transition样本为$(s_t^i,a_t^i,s_{t+1}^i)$，输入是$s_t^i$，label是$s_{t+1}^i$，对数log似然目标是：
$$\underset{\varphi }{\max }\frac{1}{N}\sum _{i=1}^N\sum _{t=1}^{T}log{p}_{\varphi }(s_{t+1}^i|s_t^i,a_t^i)$$
但现在state是不知道的，需要从observation学习映射，但dymaics的input与label是$(s_t,s_{t+1})$。因此先从observation与action的所有历史信息中学习transition的联合分布$(s_t,s_{t+1})$：
$$(s_t,s_{t+1})\sim p(s_t,s_{t+1}|o_{1:T},a_{1:T})$$

目标变为:

$$\underset{\varphi }{\max }\frac{1}{N}\sum _{i=1}^N\sum _{t=1}^T{E}_{(s_t,s_{t+1})\sim p(s_t,s_{t+1}|o_{1:T},a_{1:T})}log{p}_{\varphi }(s_{t+1}^i|s_t^i,a_t^i)$$

还有个小问题，$p(s_t,s_{t+1}|o_{1:T},a_{1:T})$学得只是如何将observation映射成state dynamics，而环境dynamics依靠的是真实state之间的转移，如何保证observation学的state一定就好的呢？
因此还需要observation model，即$p(o_t|s_t)$，MLE这个似然，使习得的state reconstruct出来的observation确实也和image observation很相似。因此现在目标变为：

$$\underset{\varphi }{\max }\frac{1}{N}\sum _{i=1}^N\sum _{t=1}^T{E}_{(s_t,s_{t+1})\sim p(s_t,s_{t+1}|o_{1:T},a_{1:T})}[log{p}_{\varphi }(s_{t+1}^i|s_t^i,a_t^i)+log{p}_{\varphi }(o_t^i|s_t^i)]$$

现在需要处理Encoder，这里假设最简单的情形，复杂的后续再说。

1. 独立性假设$$p(s_t,s_{t+1}|o_{1:T},a_{1:T})=p(s_t|o_{1:T},a_{1:T})p(s_{t+1}|o_{1:T},a_{1:T})$$
2. 学习一个$q_{\psi }(s_t|o_{1:T},a_{1:T})$来近似这个分布$p(s_t|o_{1:T},a_{1:T})$
3. 假设$s_t$只condition on $o_t$，即$q_{\psi }(s_t|o_t)$
4. $q_{\psi }(s_t|o_t)$是deterministic encoder，即等价于让$s_t=g_{\psi }(o_t)$

于是优化目标变为：
$$\underset{\varphi ,\psi }{\max }\frac{1}{N}\sum _{i=1}^N\sum _{t=1}^T\left[log{p}_{\varphi }\right(g_{\psi }(o_t^i)|g_{\psi }(o_t^i),a_t^i)+log{p}_{\varphi }(o_t^i|g_{\psi }(o_t^i))]$$
如果算上reward model，最终优化目标为：
$$\underset{\varphi ,\psi }{\max }\frac{1}{N}\sum _{i=1}^N\sum _{t=1}^T\left[log{p}_{\varphi }\right(g_{\psi }(o_t^i)|g_{\psi }(o_t^i),a_t^i)+log{p}_{\varphi }(o_t^i|g_{\psi }(o_t^i))+log{p}_{\varphi }(r_t^i|g_{\psi }(o_t^i),a_t^i)]$$

最终算法流程为：

可改进之处很多，都在encoder的假设情况中，这算法假设了一个deterministic and one observation的encoder，最丰富可扩展成dependent，stochastic，multiple observations的encoder。
其实引入了latent state的方案与VAE，Variational AutoEncoder差不多，VAE各种变种与优化技巧，均可借鉴）

放两篇参考论文：
E2C:Embed To Control 2015 NIPS（locally linear来近似处理non-linear dynamics，deep generative model 来生成latent space中的state vector）
SOLAR: Deep Structured Representations for Model-Based Reinforcement Learning ICML 2019（通过inferring simple dynamics and cost models来得到image的robust representation）

三、Model-Based Policy Learning

3.1 Model-Based RL With model

上面说完怎么train一个dynamics model，train好后就可以用Optimal Control中的trajectory optimization的方法进行planning了，根据dynamics model去得最优轨迹。这章主要说的是，尽管有dynamics model，但有一些痛点促使我们希望用这个第二章辛苦train好的model去辅助policy的学习。比如对于dynamics非常复杂的环境，即使历经千辛万苦train好这个接近完美的dynamics model，却因为环境comlicated and stochastic dynamics的原因，planning的算法并不能得出最优轨迹，陷入了sub-optimal。通过dynamics model来learn这个model的方式，主要有

1. 通过Backprop Gradient从model到update policy
2. 使用model来产生样本$(s,a,s^{\prime },r)$，避免与真实环境交互获得$s^{\prime }$
3. 将Non-linear Dynamics 用多个Locally linear Dynamics Model近似，Train出local Policy，再通过Supervised Learning将多个local policy combine成一个experssive的global policy a.k.a Guided Policy Search.

3.2 Backprop Gradient （Path-Wise Gradient）

（基本RL中每个module，都分deterministic与stochastic）
每个batch更新dynamics model的时候，从reward开始经过dynamics model将gradient backprop回policy中。于是目标梯度为：
$${\nabla }_{\theta }J(\theta )=\frac{d{r}_1}{d{s}_1}+\frac{d{r}_2}{d{s}_2}\frac{d{s}_2}{d{a}_1}\frac{d{a}_1}{d{s}_1}+\frac{d{r}_3}{d{s}_3}\frac{d{s}_3}{d{a}_2}\frac{d{a}_2}{d{s}_2}\frac{d{s}_2}{d{a}_1}\frac{d{a}_1}{d{s}_1}+\cdots$$
所以简化表述成：
$${\nabla }_{\theta }J(\theta )=\sum _{t=1}^T\frac{d{r}_t}{d{s}_t}\prod _{t^{\prime }=2}^t\frac{d{s}_{t^{\prime }}}{d{a}_{t^{\prime }-1}}\frac{d{a}_{t^{\prime }-1}}{d{s}_{t^{\prime }-1}}$$

其中$\frac{d{s}_{t^{\prime }}}{d{a}_{t^{\prime }-1}}$为dynamics model的gradient，$\frac{d{a}_{t^{\prime }-1}}{d{s}_{t^{\prime }-1}}$为policy gradient。可以看到这结构的策略梯度更新类似于long horizon的RNN或LSTM，经过多个Jacobi矩阵相乘，很容易出现vanishing gradient或exploding gradient的现象，具体而言就是连续相乘的多个Jacobi矩阵的特征值大于1或小于1，过多的时候，梯度要么就太大爆炸explode了，要么就是太小消失vanish了。
解决办法就是要维持这些Jacobi矩阵相乘时的特征值在1附近徘徊。只是有点麻烦而已，但也不是不行，有人也在做这个工作，具体可以参见下面两篇paper。

1. PILCO ICML 2011
2. PIPPS ICML 2018
   在reparameterization gradient的基础上，PIPPS中设计了一种total propagation algorithm，利用一个single backwards pass来等同于到一个union如$s_{t+1}=f(s_t,a_t)的$所有pathwise derivative。

3.3 Model-free RL With a Model

3.3.1 Dyna Algorithm

特点：Online Q-learning algorithm that performs model-free RL with a model
重点说明：

• Q-update 在lec5-lec9中为$r+ma{x}_{a^{\prime }}Q(s^{\prime },a^{\prime })-Q(s,a)$，此处由于有了拟合的model，可以去掉Q值over-estimation的问题，可以算期望了！
• 第6步的sample，相当于off-policy从buffer中随机取样，使Q值可以看到diverse state而不是一条轨迹上的highly correlated的state
• 第5步的repeat，类似于fitted Q-iteration，是对现有dynamics model$\hat{p}(s^{\prime }|s,a)$与reward model$\hat{r}(s,a)$的稳定性拟合，用于提高算法的稳定性

3.3.2 Gernal Dyna-style Algorithm

基于上述Dyna算法，下面是Dyna-style算法扩展的抽象形态：

说明：第4步中把Dyana中的$(s,a)$拆开了，从而引入了选择action的多样性，第7步将online Q扩展了，使其可用多种model-free RL算法。

服从该Dyna-Style的paper有：

• Continuous Deep Q-Learning with Model-based Acceleration 2016 jmlr
• Sample-Efficient Reinforcement Learning with Stochastic Ensemble Value Expansion 2018 NIPS（提出STEVE，主要是减缓imperfect dynamics model使性能下降的问题）
• When to Trust Your Model: Model-Based Policy Optimization 2019 NIPS

3.4 Simpler polices than NN

基本想法Divide and Conquer：将一个global policy如expressive的DNN分解成多个local policy，对local policy进行学习，再combine成一个global policy。
不用受long RNN梯度消失爆炸困扰的Backprop gradient，也不用受训练中imperfect dynamics model影响很大的General-Dyna算法，尝试通过LQR framework来实现Divide and Conquer。

3.4.1 Local Policy

回顾LQR framework

• 假设是stochastic的dynamics，先拟合local的dynamics model，则有：
  $$\begin{gathered} p(x_{t+1}|x_t,u_t)=N(f(x_t,u_t),\Sigma ) \\ f(x_t,u_t)\approx \frac{df}{d{x}_t}{x}_t+\frac{df}{d{u}_t}{u}_t=A_t{x}_t+B_t{u}_t \\ p(x_{t+1}|x_t,u_t)=N(A_t{x}_t+B_t{u}_t,\Sigma ) \end{gathered}$$
  train local dynamics model的样本为 { ( x t , u t , x t + 1 ) i } \{(x_t,u_t,x_{t+1})_i\} {(xt​,ut​,xt+1​)i​}，可以采用Linear Regression，也可以升级版Bayesian Linear Regression+自己喜欢的先验分布prior（DNN，GP，GMM）
• iLQR输入一条初始化轨迹${\hat{x}}_t$,${\hat{u}}_t$，Backward Pass时就知道了控制律$u_t=K_t(x_t-{\hat{x}}_t)+k_t+{\hat{u}}_t$，这就是图中的conroller $p(u_t|x_t)$，可选择如下：
  1. $p(u_t|x_t)=\delta (u_t={\hat{u}}_t)$
  2. $p(u_t|x_t)=\delta (u_t=K_t(x_t-{\hat{x}}_t)+k_t+{\hat{u}}_t)$
  3. $p(u_t|x_t)=N(K_t(x_t-{\hat{x}}_t)+k_t+{\hat{u}}_t,{\Sigma }_t),{\Sigma }_t=Q_{u_t,u_t}^{-1}$

以上便可训练得到一个local controller 的$p(u_t|x_t)$即local policy的$\pi (a_t|s_t)$。

那会不会有问题呢？肯定有的，在于将Non-linear stochastic dynamics强行用linear dynamics approximate的那一部分$f(x_t,u_t)\approx \frac{df}{d{x}_t}{x}_t+\frac{df}{d{u}_t}{u}_t$=。=

解释一下这个图：有箭头的线为一条trajectory，绿色波形的线为真实Non-linear dynamics的$f(x_t,u_t)$，蓝色的线为local linear approximate的controller控制器$\frac{df}{d{x}_t}{x}_t+\frac{df}{d{u}_t}{u}_t$。
黑色轨迹$\hat{\tau }$在approximately local linear dynamics基础上训练出来的控制器controller蓝色线，如果遇到与黑色轨迹$\hat{\tau }$相差较远的轨迹$\tau$，则controller就会失效，导致性能local policy不准。
那怎么办呢？
像TRPO一样，只要让新轨迹$\tau$与旧轨迹$\bar{\tau }$之间在一定范围内接近即可。公式描述如下:
$$\begin{gathered} p(\tau )=p(x_1)\prod _{t=1}^{T}p(u_t|x_t)p(x_{t+1}|x_t,u_t) \\ p(u_t|x_t)=N(K_t(x_t-{\hat{x}}_t)+k_t+{\hat{u}}_t,{\Sigma }_t) \end{gathered}$$

优化问题变为：

$$\begin{gathered} \underset{p(\tau )}{\min }\sum _{t=1}^T{E}_{p(x_t,u_t)}[c(x_t,u_t)] \\ s.t{D}_{KL}(p(\tau )||\bar{p}(\tau ))\le ϵ \end{gathered}$$

Learning Neural Network Policies with Guided Policy Search under Unknown Dynamics 2014 NIPS
细节在这篇文章里，$p(\tau )、\bar{p}(\tau )$为新控制器的轨迹分布与旧控制器的轨迹分布，下面公式表述一下：

$$\begin{gathered} p(\tau )=p(x_1)\prod _{t=1}^{T}p(u_t|x_t)p(x_{t+1}|x_t,u_t) \\ \bar{p}(\tau )=p(x_1)\prod _{t=1}^T\bar{p}(u_t|x_t)p(x_{t+1}|x_t,u_t) \end{gathered}$$

$$\begin{array}{rl}{D}_{KL}(p(\tau )||\bar{p}(\tau ))& =E_{p(\tau )}\left[log\frac{p(\tau )}{\bar{p}(\tau )}\right]\\ & =E_{p(\tau )}[logp(\tau )-log\bar{p}(\tau )]\\ & =E_{(x_t,u_t)\sim p(\tau )}\left[\sum _{t=1}^T\right(logp(u_t|x_t)-log\bar{p}(u_t|x_t)\left)\right]\\ & =\sum _{t=1}^T[E_{p(x_t,u_t)}logp(u_t|x_t)+E_{p(x_t,u_t)}[-log\bar{p}(u_t|x_t)\left]\right]\\ & =\sum _{t=1}^T[E_{p(x_t)}{E}_{p(u_t|x_t)}logp(u_t|x_t)+E_{p(x_t,u_t)}[-log\bar{p}(u_t|x_t)\left]\right]\\ & =\sum _{t=1}^T[-E_{p(x_t)}[H(p(u_t|x_t)\left)\right]+E_{p(x_t,u_t)}[-log\bar{p}(u_t|x_t)\left]\right]\\ & =\sum _{t=1}^T{E}_{p(x_t)}[H[p,\bar{p}]-H[p]]\\ & =\sum _{t=1}^T{E}_{p(x_t,u_t)}[-log\bar{p}(u_t|x_t)-H[p(u_t|x_t)]]\end{array}$$

$$\underset{p}{\min }\sum _{t=1}^T{E}_{p(x_t,u_t)}[c(x_t,u_t)-\lambda log\bar{p}(u_t|x_t)-\lambda H(p(u_t|x_t))]-\lambda ϵ$$

最后一步是因为可以固定新旧控制器的初始状态$p(x_t)$，然后用拉格朗日乘子法，转为无约束的优化问题，利用Dual Gradietn Descent进行优化。

3.4.2 Combined Policy With Guided Policy Search

将上述多个local policy通过supervised learning combine 到一个Network表示的global policy中。

细节可参考：End-to-End Training of Deep Visuomotor Policies 2016 jmlr

参考资料

Medium：Jonathan-Hui Model-Based RL
CS285 lec10-lec12 PPT
中原一点红的知乎

补充

• 最后的Guided Policy Search算法细节在那篇paper中，还没来得及看，看完梳理逻辑后再填充。
• RL中间涉及到的高斯过程、Dual Gradient Descent等随机过程、最优化内容，找时间写一篇基础补上
• 关于所引论文阅读后，在后面相应填补一些精炼的内容。
• 不定期回来再修改一下表述、逻辑。