机器学习笔记18: 微分动态规划

上一节中我们介绍了一个特殊的MDP模型：线性二次型调节控制(LQR)。事实上很多问题都可以用LQR来解决，即使动态模型是非线性的。尽管LQR是一个非常漂亮的解决方案，但它还不够通用。我们以倒摆(inverted pendulum)问题为例来引出这一节的主题。倒摆问题的状态转换过程为：

其中函数F取决于角度的余弦值，显然这是一个非线性函数。那么我们的问题是：如何将该系统线性化处理？

动态模型的线性化

假设在t时刻，系统大部分时间都处于状态s^-_t，并且采取的行动在a^-_t附近。对于倒摆问题来说，当系统到达最优解时，很显然系统采取的行动范围很小，且不会偏离竖直方向太远。

我们将会使用泰勒展开(Taylor expansion)的方法将动态模型线性化。先考虑一个简单的场景，当状态是一维的并且状态转换函数F与行动无关，我们可以得到：

更一般地，当F是关于状态和行动的函数时，我们有：

所以s_{t + 1}是关于s_t和a_t的线性函数，这是因为我们可以把上式改写成：

其中κ是一个常数，A和B是矩阵。这种形式和我们之前在LQR中做的假设非常相似。

当我们的目标是停留在某个状态s^*附近时，上面介绍的方法可以很有效地解决。然而在某些情况下，目标会变得更为复杂。

假设我们的目标是遵循某条轨迹(trajectory)，那么就需要用到微分动态规划(Differential Dynamic Programming (DDP))的方法了。这个方法会将轨迹按照时间片进行离散化，并为每个时间片建立中间目标。DDP的主要步骤如下：

步骤1: 选定标称轨迹(nominal trajectory)，这个是对我们想要追随的轨迹的近似。

步骤2: 对每一个在s^*_t附近的轨迹线性化，即：

其中s_t和a_t是我们当前的状态和行动。既然我们现在有了当前点的线性近似，我们可以利用上一小节的结论将下一个状态改写成：

注意：我们也可以对奖励函数R^(t)利用泰勒展开作类似的推导：

其中H_xy指的是R关于x和y在(s_t^*, a_t^*)处的Hessian矩阵。这个式子也可以被写成：

其中U_t和W_t是矩阵的形式。

步骤3: 现在我们证明了这个问题已经被转化成了LQR问题了，因此我们只需要用LQR的方法求解出最优策略π_t。

步骤4: 现在我们有了最优策略π_t，我们用它来产生新的轨迹：

注意当我们生成新的轨迹时，我们应该用F而不是近似函数来计算下一个状态，也就是说：

计算出下一个状态后，我们再回到步骤2，不断重复这几步，直到收敛到某个值结束。