近年來隨著強化學習的發(fā)展，使得智能體選擇恰當行為以實現(xiàn)目標的能力得到迅速地提升。目前研究領(lǐng)域主要使用兩種方法：一種是無模型（model－free）的強化學習方法，通過試錯的方式來學習預(yù)測成功的行為，其中著名的方法包括用于完成雅達利游戲的DeepMind的DQN方法和在星際爭霸二中與世界冠軍同臺競技的AlphaStar，但這類方法需要與環(huán)境進行大量的交互限制了其在真實場景中的應(yīng)用。

而基于模型（model－based）的強化學習方法則額外學習一個簡化的環(huán)境模型，這一環(huán)境模型使得主體可以預(yù)測潛在行為序列的輸出，使得它可以通過假設(shè)的場景來在新環(huán)境中作出明智的決策，減少了實現(xiàn)目標所需的試錯。先前學習精確的世界模型并將其充分應(yīng)用于行為學習中還面臨一系列挑戰(zhàn)，但隨著近來像深度規(guī)劃網(wǎng)絡(luò)（DeepPlanningNetwork， PlaNet）的研究出現(xiàn)，極大地拓展了從圖像中學習出精確世界模型的邊界，但基于模型的方法卻依然受到規(guī)劃（planning）機制龐大計算消耗的約束，限制了其在解決復(fù)雜任務(wù)上的應(yīng)用。

為了解決這些問題，來自谷歌和DeepMind的研究人員合作提出了一種基于圖像學習出世界模型（world model）的強化學習方法Dreamer，并在此基礎(chǔ)上學習出有遠見的行為。Dreamer基于模型預(yù)測的反向傳播來利用世界模型實現(xiàn)高效的行為學習。通過從原始圖像輸入中計算出緊致的模型狀態(tài)，這種方法可以使得主體在單個GPU上并行地從上千個預(yù)測序列中進行高效的學習。通過20個基于原始圖像輸入的連續(xù)控制基準任務(wù)上測評表明，Dreamer在性能、數(shù)據(jù)效率和計算時間上都達到了先進水平。

Dreamer的基本架構(gòu)

Dreamer和典型的基于模型方法一樣包含三個過程：學習世界模型、基于世界模型的預(yù)測學習行為、在環(huán)境中執(zhí)行學習到的行為來收集新的經(jīng)驗。為了學習行為，Dreamer中利用價值網(wǎng)絡(luò)（valuenetwork ）將規(guī)劃視野外的獎勵納入考量，同時利用行為網(wǎng)絡(luò)（actor network）來高效的計算行為。這三部分可以并行地執(zhí)行，一直重復(fù)運行直到達成目標：

Dreamer主體的三個過程，世界模型基于過去經(jīng)驗學習、隨后基于這一模型預(yù)測，主體通過價值網(wǎng)絡(luò)來預(yù)測未來獎勵、行為網(wǎng)絡(luò)來選擇行為。行為網(wǎng)絡(luò)用于與環(huán)境交互。

學習世界模型

Dreamer采用了PlaNet的世界模型，通過一系列緊致的模型狀態(tài)來預(yù)測輸出，而這些模型狀態(tài)則通過輸入圖像計算得到，而不是直接利用圖像來進行處理。它將自動學習得出代表有益于預(yù)測未來輸出概念的模型狀態(tài)，例如目標類型、位置以及目標與周圍環(huán)境的交互等等。給定數(shù)據(jù)集中一個過去的圖像、行為和獎勵序列，Dreamer按照下圖的方式進行世界模型的學習：

Dreamer 從經(jīng)驗中學習世界模型，利用過去的圖像（o1–o3）、行為（a1–a2），它將計算出緊致的模型狀態(tài)（綠色圓），并可以基于這些狀態(tài)重建出圖像并預(yù)測出獎勵。

利用PlaNet世界模型的優(yōu)勢在于利用緊致的模型狀態(tài)代替了圖像來進行預(yù)測，極大地提高了計算效率。這使得模型可以在單個GPU上預(yù)并行的預(yù)測上千個序列。這種方式同時可以提高模型的泛化性，進行精確的長時視頻預(yù)測。為了更好地理解模型的工作原理，下圖展示了將預(yù)測序列模型狀態(tài)解碼回圖像的結(jié)果：

復(fù)雜環(huán)境下的長程預(yù)測結(jié)果，上圖顯示了兩個主體未曾遇到過的序列，給定五張輸入圖像，模型對其進行重建并預(yù)測出了后續(xù)到50步的圖像結(jié)果。

高效行為學習

先前基于模型的主體選擇行為的方法分為兩種，要么通過多個模型預(yù)測來進行規(guī)劃、要么通過將世界模型代替模擬器來復(fù)用無模型方法的技術(shù)，但兩種方法都需要龐大的計算需求，同時也未充分利用學習到的世界模型。此外及時強大的世界模型也會受制于精確預(yù)測的長度，很多先前基于模型的主體表現(xiàn)出短視的缺點。Dreamer通過世界模型的預(yù)測進行反向傳播學習價值網(wǎng)絡(luò)和行為網(wǎng)絡(luò)來克服上述局限。

Dreamer通過預(yù)測的狀態(tài)序列反向傳播獎勵來高效地學習行為網(wǎng)絡(luò)用于預(yù)測正確的行為，這在無模型方法中是無法實現(xiàn)的。這將告訴Dreamer其多小的行為變化將會影響未來預(yù)測的獎勵，使得它可以向最大化獎勵的方向上優(yōu)化行為網(wǎng)絡(luò)。為了考慮預(yù)測范圍外的獎勵，價值網(wǎng)絡(luò)將估計每一個模型狀態(tài)未來的獎勵和，獎勵和價值將反向傳播來優(yōu)化行為網(wǎng)絡(luò)去改善行為。

Dreamer通過模型狀態(tài)預(yù)測序列來學習長程行為，首先學習每個狀態(tài)的長程價值，而后通過反向傳播到行為網(wǎng)絡(luò)來預(yù)測能夠得到高價值和獎勵的行為。

Dreamer與PlaNet有諸多不同，在環(huán)境中的給定狀態(tài)下，PlaNet在不同行為序列的多個預(yù)測中搜索最佳行為，而Dreamer則避開了這種計算消耗巨大的搜索方式，利用規(guī)劃和行為解耦的方式來提高計算效率。一旦在預(yù)測序列上訓練好了行為網(wǎng)絡(luò)，它將計算與環(huán)境交互的行為而無需額外的搜索。此外Dreamer利用價值函數(shù)考慮到了規(guī)劃以外的獎勵并通過反向傳播提高了規(guī)劃的效率。

控制任務(wù)上的表現(xiàn)

為了測試Dreamer的性能，研究人員在20個不同的任務(wù)上對其進行了測評，包括平衡、控制、運動等多種復(fù)雜的強化學習任務(wù)。

多種復(fù)雜的任務(wù)，其輸入為圖像。包括了碰撞、稀疏獎勵、混沌動力學和高自由度甚至三維視角等復(fù)雜情況。

研究人員將Dreamer與多個先進的模型進行了比較，包括先前最先進的基于模型的方法PlaNet、無模型方法A3C、結(jié)合多種先進手段的無模型方法D4PG。實驗表明，基于模型的主體可以在五百萬幀內(nèi)完成高效學習，大概對應(yīng)28小時的仿真，而無模型的方法則需要近100萬幀的學習，大概對應(yīng)23天的仿真訓練。在20個任務(wù)的測評基準上，Dreamer領(lǐng)先于目前最先進的無模型方法D4PG（平均分823＞786），同時其與環(huán)境的交互大概要少二十倍。此外它最終的結(jié)果在所有任務(wù)上也超過了先前最好的基于模型方法PlaNet，最終的結(jié)果如下圖所示：

Dreamer的性能與其他方法的比較，其得分、數(shù)據(jù)效率和計算時間都比先前方法要好。

此外研究人員還在連續(xù)任務(wù)上進行了實驗，以驗證Dreamer面對復(fù)雜環(huán)境的能力。下面的任務(wù)需要不僅需要長程行為預(yù)測，同時還需要模型具有空間感知能力。實驗表明Dreamer對于這些更具挑戰(zhàn)的任務(wù)依然能夠很好的進行處理：

Dreamer成功的在雅達利游戲和DeepMind環(huán)境中運行，這些離散的任務(wù)更具挑戰(zhàn)性。

Dreamer不僅在性能上超越了原有基于模型的方法，同時在計算效率上也大幅提升。研究人員認為Dreamer將為強化學習提供更為堅實的發(fā)展根基，同時也將促進更好的表示學習、基于不確定性的方向探索、時域抽象和多任務(wù)學習的發(fā)展。
? ? ? ?