Skip to content

intro.md

Latest commit

 

History

History
146 lines (92 loc) · 10 KB

intro.md

File metadata and controls

146 lines (92 loc) · 10 KB
Raw

第 12 章 · 探索、多智能体与分层 RL

第 9 章 连续控制 解决了单智能体在连续动作空间中的样本效率与稳定性问题，第 10 章 离线 RL 解决了"只有历史数据、不能交互"的困难。本章处理三种此前被刻意回避的情形：(1) 环境奖励极度稀疏，ε-greedy 永远撞不到正样本——需要内在动机驱动的探索；(2) 环境里有多个智能体同时学习，非平稳性打破了 MDP 假设——需要 CTDE 范式与集中式 critic；(3) 任务 horizon 极长，单层策略无法跨越子目标——需要分层 RL 把长程决策分解为 option 序列。三者共同指向同一个工程问题：当经典 RL 的假设被破坏后，结构化归纳偏置如何挽回样本效率。

14.1 探索-利用的根本张力

第 3 章的探索和利用问题 已经在无状态设定下引入了探索-利用权衡：每个臂的期望回报未知，智能体必须在"拉目前最优臂"（利用）与"拉不确定臂"（探索）之间分配预算。那里介绍的 UCB 会使用上置信界 $U_t(a) = \hat{\mu}_t(a) + c\sqrt{\ln t / N_t(a)}$，把不确定性直接编码进动作价值。

深度 RL 把这个问题放大了。在 Atari 的 Montezuma's Revenge 或 Pitfall 中，智能体从初始状态到第一个奖励需要执行几十个有意义的动作（跳过陷阱、拿钥匙、开门），随机探索 $\epsilon$-greedy 撞到第一个奖励的概率约为 $10^{-18}$。DQN 在这些 hard-exploration 游戏上的得分长期为零。

问题的本质在于奖励信号的稀疏性。设智能体从 $s_0$ 出发，到达奖励状态 $s^\star$ 至少需要 $H^\star$ 步。任何只依赖环境奖励 $r_t$ 的更新都要等到第一条成功轨迹出现，而成功轨迹的密度随 $H^\star$ 指数衰减。内在奖励（intrinsic reward）绕开这个瓶颈：让智能体自己产生一个辅助奖励 $\tilde{r}_t$，鼓励它访问"新颖"或"不可预测"的状态。

形式上，总奖励变为

$$r^{\text{total}}_t = r^{\text{ext}}_t + \beta \cdot r^{\text{int}}_t$$

其中 $r^{\text{ext}}$ 是环境给的外部奖励，$r^{\text{int}}$ 是智能体自己计算的内在奖励，$\beta$ 是权衡系数。关键在于 $r^{\text{int}}$ 必须满足两点：

  1. 可计算：只依赖已观测数据，不需要外部监督
  2. 可耗尽：一个状态被访问够多次后，其内在奖励应衰减到零，避免智能体陷入局部"刷分"

下面两节给出两条主流路线：基于预测误差的 ICM 与基于随机网络蒸馏的 RND。

14.2 内在好奇心（ICM）与随机网络蒸馏（RND）

用前向预测误差当作好奇心

Intrinsic Curiosity Module（Pathak et al. 2017）的核心想法：如果智能体无法预测自己的下一步状态，说明这个区域是"陌生"的，值得探索。预测误差越大，内在奖励越高。

直接在像素空间做预测是失败的——下一帧的像素细节太多，预测误差会被无关高频噪声主导。ICM 先用一个逆向模型 $g_\phi$ 学一个特征空间 $\Phi(s)$：输入 $(s_t, s_{t+1})$，预测动作 $a_t$。这个特征只保留"动作能影响的部分"，过滤掉背景闪烁、镜头抖动等无关变化。

然后训练前向模型 $f_\psi$：

$$\hat{\Phi}(s_{t+1}) = f_\psi(\Phi(s_t), a_t)$$

内在奖励定义为前向预测误差：

$$r^{\text{int}}_t = \tfrac{1}{2}|\Phi(s_{t+1}) - \hat{\Phi}(s_{t+1})|^2$$

整体损失：

$$\mathcal{L} = \mathcal{L}_{\text{policy}}(\theta) + \lambda_{\text{inv}},\mathcal{L}_{\text{inv}}(\phi) + \lambda_{\text{fwd}},\mathcal{L}_{\text{fwd}}(\psi)$$

class ICM(nn.Module):
    def __init__(self, feat_dim=256, action_dim=6):
        self.encoder = CNNtoMLP(out=feat_dim)              # Φ(s)
        self.inverse = nn.Linear(feat_dim * 2, action_dim) # g_φ
        self.forward_net = MLP(feat_dim + action_dim, feat_dim)

    def intrinsic_reward(self, s, a, s_next):
        phi, phi_next = self.encoder(s), self.encoder(s_next)
        phi_pred = self.forward_net(torch.cat([phi, a], -1))
        return 0.5 * (phi_next - phi_pred).pow(2).sum(-1)

    def forward_loss(self, s, a, s_next):
        phi, phi_next = self.encoder(s), self.encoder(s_next)
        phi_pred = self.forward_net(torch.cat([phi, a], -1))
        return F.mse_loss(phi_pred, phi_next.detach()) + \
               F.cross_entropy(self.inverse(torch.cat([phi, phi_next], -1)), a)

ICM 在 Super Mario Bros 等连续控制 + 视觉输入的任务上让智能体在没有外部奖励的情况下穿过整张地图。它的弱点是噪声电视问题：如果环境中存在不可预测的随机源（屏幕角落的电视随机播雪花），前向模型永远学不会，内在奖励永远居高，智能体会被钉在电视前不动。

随机网络当作"不可学习"的预测目标

Random Network Distillation（Burda et al. 2018）用一个更巧妙的机制规避噪声电视问题。固定一个随机初始化、永不更新的目标网络 $\hat{f}(s)$（参数随机冻结），再训练一个预测网络 $f_\psi(s)$ 去拟合它：

$$\mathcal{L}_{\text{RND}}(\psi) = \mathbb{E}_s\bigl[|f_\psi(s) - \hat{f}(s)|^2\bigr]$$

$$r^{\text{int}}(s) = |f_\psi(s) - \hat{f}(s)|^2$$

机制很简单：已访问过的状态被预测网络学过，预测误差小；新状态没见过，预测误差大。随机目标网络本身没有任何语义，它的作用只是提供一个固定但不可穷尽的学习信号。

RND 的优势：

  • 不需要逆向模型，省一半计算
  • 不依赖动作，可叠加到任何 model-free 算法上（PPO、A2C）
  • 天然抗噪声电视：随机目标的复杂度有限，预测误差有上界，不会被无限推高
class RND(nn.Module):
    def __init__(self, obs_shape, feat_dim=512):
        # 目标网络：冻结，永不更新
        self.target = CNN(obs_shape, feat_dim)
        for p in self.target.parameters():
            p.requires_grad = False
        # 预测网络：训练
        self.predictor = CNN(obs_shape, feat_dim)

    def intrinsic_reward(self, s):
        with torch.no_grad():
            target = self.target(s)
        pred = self.predictor(s)
        return (pred - target).pow(2).sum(-1)  # 每个状态一个标量

Burda et al. 在大规模实验中发现：仅用 RND 内在奖励（无任何外部奖励），PPO 智能体能在多个 Atari 游戏上探索出复杂行为；在外部奖励稀疏的 Montezuma's Revenge 上首次突破零分。

ICM vs RND 对比

维度 ICM RND
是否依赖动作 是（前向模型需要 $a$） 否
需要训练的子模块 编码器 + 逆向 + 前向 仅预测器
噪声电视鲁棒性 弱 强
计算开销 高 中
代表应用 视觉探索（Mario、DMLab） Atari hard-exploration

14.3 NGU 与 Agent57

ICM 和 RND 各自解决了部分问题，但仍有共同的盲区：episodic 记忆缺失。一个状态可能在单条 episode 内是新颖的（短期），但在跨 episode 看已经访问过千万次（长期）。仅凭神经网络拟合的预测误差无法区分这两种新颖度。Never Give Up（Badia et al. 2020）与后续的 Agent57（Badia et al. 2020）通过同时建模这两个时间尺度的探索，成为 Atari 全套 57 个游戏上首个超越人类水平的算法。

双时间尺度内在奖励

NGU 的内在奖励由两部分拼接：

$$r^{\text{int}}_t(s) = r^{\text{episodic}}_t(s) \cdot r^{\text{life-long}}_t(s)$$

短期（episodic）部分 $r^{\text{episodic}}$：维护一个固定容量的 controllable state 表，记录当前 episode 内访问过的状态特征。新状态如果与表中所有状态距离都远（kNN 距离大），则新颖度高；被频繁访问的状态新颖度衰减：

$$r^{\text{episodic}}_t = \frac{1}{\sqrt{k} + c \sum_{i=1}^{k} \frac{1}{\sqrt{N(s_i)}}}$$

其中 $N(s_i)$ 是状态 $s_i$ 的访问次数，$c$ 是衰减常数。这是 kNN 形式简化版。

长期（life-long）部分 $r^{\text{life-long}}$：本质就是 RND。它跨 episode 工作，捕捉"这条 episode 没访问但其他 episode 访问过"的状态。两者相乘保证：一个状态必须同时"本 episode 没去过"且"全局没去过"才拿到高内在奖励。

Retrace 与分布式actor

NGU 用 R2D2 的分布式架构（多个 actor 并行采样 + LSTM 处理部分可观测性），用 Retrace($\lambda$) 估计 off-policy Q 值，把内在奖励信号稳定地传到长 horizon。整套系统训练成本极高（数十亿帧、数百 TPU），但它首次证明 Atari hard-exploration 游戏可以被端到端 RL 攻克。

Agent57 与 自适应探索-利用切换

NGU 仍有一个遗留问题：内在奖励权重 $\beta$ 是固定的。在简单游戏（Pong、Space Invaders）上 $\beta$ 太高会让智能体疯狂探索、不利用已知最优策略；在 hard-exploration 游戏上 $\beta$ 太低又探索不足。Agent57 引入一个自适应策略调度器：

  • 维护一族策略 $\pi_i$，每个有不同的探索参数 $(\beta_i, \gamma_i, c_i)$，分布在"纯利用"到"纯探索"的区间上
  • 用 meta-controller 在线估计每个策略的相对回报，优先采样表现好的策略
  • 训练时各策略共享 replay buffer 和 Q 网络

这样无需人工为每个游戏调 $\beta$。Agent57 是 DeepMind Atari 57 套件上第一个在所有游戏上都达到人类水平以上的算法，被视为经典 Atari RL 研究的收官之作。

本节总结

内在动机驱动的探索是 hard-exploration 问题的根本解法。从 ICM 的"预测误差作为内在奖励"、RND 的"随机网络蒸馏"，到 NGU 的"短期+长期不确定性融合"、Agent57 的"自适应探索-利用平衡"——这条线让 DQN 在 Montezuma's Revenge 等 hard-exploration 游戏上从 0 分提升到超人类水平。

下一节 14.2 多智能体 RL：CTDE、MADDPG、MAPPO 转向另一个挑战——当环境里有多个 agent 同时学习时，非平稳性打破了 MDP 假设。