【深度强化学习】GAIL 与 IRL 的理解

GAIL 与 IRL 的理解

Inverse Reinforcement Learning

逆强化学习，顾名思义，就是与强化学习的过程反着走。

Reinforcement Learning

强化学习的过程一般如下：

1. 首先我们有一个可以互动的环境；
2. 然后我们定义/设置一个奖励函数；
3. Actor 通过不断与环境互动，来最大化奖励函数，找到一个最优的 actor。
   

Inverse Reinforcement Learning

逆强化学习的思想与强化学习相反。我们现在不知道奖励函数是什么（不知道如何设置奖励函数），但有专家数据。我们假设 **专家的示例是唯一最优的！**因此，我们需要从专家的示例中学习到奖励函数，然后再通过强化学习方法最大化这个学到的奖励函数，最终得到最优的 actor。

具体框架如下：

1. 首先我们有专家策略 $\hat{\pi }$ 的数据 { τ ^ 1 , τ ^ 2 , ⋯   , τ ^ N } \left\{\hat{\tau}_{1}, \hat{\tau}_{2}, \cdots, \hat{\tau}_{N}\right\} {τ^1​,τ^2​,⋯,τ^N​}；
2. 然后我们设置一个 actor，也去与环境交互，得到 { τ 1 , τ 2 , ⋯   , τ N } \left\{\tau_{1}, \tau_{2}, \cdots, \tau_{N}\right\} {τ1​,τ2​,⋯,τN​}；
3. 然后根据 1 和 2 反推出 Reward Function $R$；根据原则：The expert is always the best.
4. 然后，我们去最大化这个奖励函数 $R$（使用强化学习方法），学出一个新的 actor，这个 actor 再去交互，返回步骤 2。
   

Generative Adversarial Imitation Learning

GAIL 的思想就是将 GAN 运用在了 IRL 上。

Generative Adversarial Network

GAN 的思想就是我们训练一个生成器 $G$，它从一个普通的分布逐渐生成与现有数据分布相似的分布。

Generative Adversarial Imitation Learning

同样，我们希望我们的 actor 能够模仿专家。换句话说，就是 actor 产生的轨迹，与专家产生的轨迹越相似越好。

这里的 “相似” 指的是轨迹的分布相似！

具体过程如下图所示，跟我们上面讨论的 IRL 的图很像。Actor 就对应了这里的 Generator，Reward Function 就对应了这里的 Discriminator。

Discriminator 的训练

在判别器中，我们需要对每个轨迹打分，具体方法是可以将对轨迹的打分拆解为对 state-action 的打分，即 $d(s,a)$。然后在结合起来作为整个轨迹的打分。

训练目标是希望专家的得分更高，而 actor 的得分更低。

Generator 的训练

生成器的目标是使得 actor 的得分不断增大。理论上可以直接对 actor 的参数进行梯度上升的方法，来提升 $D({\tau }_i)$ 的得分。但实际上不能这样计算，按照 policy gradient 的 trick，可展开为右边的式子。

Algorithm

整个算法的流程大致如下：

Reference

1. PPT：https://speech.ee.ntu.edu.tw/~tlkagk/courses/MLDS_2017/Lecture/IRL%20(v3).pdf
2. Video：https://www.youtube.com/watch?v=rOho-2oJFeA