强化学习_Paper_2017_Curiosity-driven Exploration by Self-supervised Prediction

paper Link: ICM: Curiosity-driven Exploration by Self-supervised Prediction
GITHUB Link: 官方: noreward-rl

1- 主要贡献

对好奇心进行定义与建模
1. 好奇心定义：next state的prediction error作为该state novelty
  1. 如果智能体真的“懂”一个state，那么给出这个state和所做的action，它应该能很准确的predict出next state是什么。也就是“What I can not predict well, is novel”
提出了Intrinsic Curiosity Module（ICM）来估计一个状态的novelty大小，并给予相应的内在奖励（intrinsic reward）
研究了3种泛化环境，验证了好奇心在实际环境中的作用
1. 稀疏的外在奖励, 好奇心使得与环境少量的互动，就那么好以实现目标;
2. 不添加外在奖励的探索，好奇心促使主体更有效地探索；
3. 泛化到看不见的场景（例如同一游戏的新级别），在这些场景中，从早期经验中获得的知识可以帮助agnet比重新开始更快地探索新的地方。

2- Intrinsic Curiosity Module (ICM) 框架

在这里插入图片描述

2.1 ICM三大件：

Encoder( $\theta_E$ ):
1. 将current state转换成feature $\phi(s_t)$
2. 将next state转换成feature $\phi(s_{t+1})$
Forward Model( $\theta_F$ ): 给定 $\phi(s_t)$ 和 action $a_t$ , 来估计next state feature $\hat{\phi}(s_{t+1})$
1. 用 $\min_{\theta_F} L(\hat{\phi}(s_{t+1}), \phi(s_{t+1}))$
2. $r^i_t = \frac{\eta}{2} ||\hat{\phi}(s_{t+1}) - \phi(s_{t+1})||^2_2$
Inverse Model( $\theta_I$ ): 给定 $\phi(s_t)$ 和 $\phi(s_{t+1})$ , 来估计action $\hat{a}_t$
1. 用 $\min_{\theta_I, \theta_E} L(a_t, \hat{a}_t) $
2. 让Encoder输出的表征限制于智能体、改变的空间里

2.2 三大件的作用:

Encoder显然就是将state编码
Forward Model就是基于state-Encoder和action给出next state feature，用真实next state feature和预估的值的差异作为好奇心内在奖励
1. 对于见到少的组合给出的预估会不准，即好奇心reward会高
Inverse Model让Encoder输出的表征限制于智能体、改变的空间里
1. 因为Encoder+Forward Model会引入一个Noisy-TV Problem（雪花屏问题）：
  1. 当画面都是噪音的时候，观察者无法对下一个state做出预测
  2. 即预估和真实next state feature始终差异较大，内在奖励就非常大，会导致观察者很上瘾，一直盯着noisy TV看：比如开枪时火花的随机渲染，智能体可能就会一直停在原地开火，欣赏迸发出的火花
2. 所以Inverse Model根据两个相邻的state来推断智能体所选的action $\hat{a}_t$ 。然后利用inverse prediction error( $L(a_t, \hat{a}_t)$ )来训练Encoder。
  1. 最终 Encoder就不在意两个不同的噪音的差别，也就不会提供novelty奖励了

反向传播迭代图示
在这里插入图片描述

Forward Model的Prediction error只用来训练forward model，而不用于训练Encoder
1. 即 $\hat{\phi}(s_{t+1})= f_{F}(\phi(s_t), a_t; \theta_F);\min_{\theta_F} L(\hat{\phi}(s_{t+1}), \phi(s_{t+1}))$
2. 对 $\phi(s_{t}), \phi(s_{t+1})$ detach
Inverse Model的Inverse prediction error既用来训练Inverse model，也用来Encoder
1. 即 $\min_{\theta_I, \theta_E} L(a_t, \hat{a}_t)$
2. $\hat{a}_t = f_{I}( \phi(s_t), \phi(s_{t+1}); \theta_I) = f_{I}( \phi(s_t), f_{E}(s_{t+1}; \theta_E)); \theta_I)$
3. 对 $\phi(s_{t})$ detach

3- python code

ICM code

from  torch import nn 
import torch 
import torch.nn.functional as Fclass cnnICM(nn.Module):def __init__(self, channel_dim,state_dim, action_dim):super(cnnICM, self).__init__()self.state_dim = state_dimself.channel_dim = channel_dimself.action_dim = action_dimself.cnn_encoder_feature = nn.Sequential(nn.Conv2d(channel_dim, 32, kernel_size=8, stride=4),nn.ReLU(),nn.Conv2d(32, 64, kernel_size=4, stride=2),nn.ReLU(),nn.Conv2d(64, 64, kernel_size=3, stride=1),nn.ReLU(),nn.Flatten())cnn_out_dim = self._get_cnn_out_dim()self.cnn_encoder_header = nn.Sequential(nn.Linear(cnn_out_dim, 512),nn.ReLU())# 离散动作self.action_emb = nn.Embedding(self.action_dim, self.action_dim)self.forward_model = nn.Sequential(nn.Linear(512 + action_dim, 256),nn.ReLU(),nn.Linear(256, 512),)self.inverse_model = nn.Sequential(nn.Linear(512 + 512, 256),nn.ReLU(),nn.Linear(256, action_dim),nn.Softmax())@torch.no_graddef _get_cnn_out_dim(self):pic = torch.randn((1, self.channel_dim, self.state_dim, self.state_dim))return self.cnn_encoder_feature(pic).shape[1]  def encode_pred(self, state):return self.cnn_encoder_header(self.cnn_encoder_feature(state))def forward_pred(self, phi_s, action):return self.forward_model(torch.concat([phi_s, self.action_emb(action)], dim=1))def inverse_pred(self, phi_s, phi_s_next):return self.inverse_model(torch.concat([phi_s, phi_s_next], dim=1))def forward(self, state, n_state, action, mask):# 离散动作action = action.type(torch.LongTensor).reshape(-1).to(state.device)# encodephi_s = self.encode_pred(state)phi_s_next = self.encode_pred(n_state)# forward  不用于训练Encoderhat_phi_s_next = self.forward_pred(phi_s.detach(), action)# intrinisc reward & forward_loss  r_i = 0.5 * nn.MSELoss(reduction='none')(hat_phi_s_next, phi_s_next.detach())r_i = r_i.mean(dim=1) * mask forward_loss = r_i.mean()# inverse 同时用于训练Encoderhat_a = self.inverse_pred(phi_s.detach(), phi_s_next)# inverse loss inv_loss = (nn.CrossEntropyLoss(reduction='none')(hat_a, action) * mask).mean()return r_i, inv_loss, forward_loss

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.pswp.cn/bicheng/79142.shtml
繁体地址，请注明出处：http://hk.pswp.cn/bicheng/79142.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！