强化学习稀疏奖励问题（sparse reward）及解决方法

参考 《EasyRL》

1.稀疏奖励

通常在训练智能体时，我们希望每一步动作都有相应的奖励。但是某些情况下，智能体并不能立刻获得奖励，比如全局奖励的围棋，最终获胜会得到奖励，但是人们很难去设定中间每步的奖励，这会导致学习缓慢甚至无法进行学习的问题。

2.解决方法

2.1 设计奖励(reward shaping)

除了最终要学习到的目标外，可以额外添加一些奖励用于引导智能体。比如ViZDoom射击游戏，杀了敌人得到正奖励，被杀得到负奖励。探究人员设计了一些新奖励，来引导智能体做的更好，比如掉血就扣分，捡到补给包会加分，待在原地扣分，活着扣一个很小的分（否则智能体只想活着，躲避敌人）等方法。reward shaping技术需要领域知识（domain knowledge），不合理的设计奖励方式会让智能体学习到错误的方法。比如希望机器人将蓝色板子穿过柱子，通常会想到板子靠近柱子就加分，距离越近奖励越大，但是这样机器人可能会学习到用蓝色板子打柱子，而不是从上面穿过。因此设计奖励的效果与领域知识有关，需要调整。

2.2 好奇心(curiosity)

自己加入并且一般看起来有用的奖励，比如给智能体加上好奇心，称为好奇心驱动的奖励（curiosity driven reward），在好奇心驱动的技术里，我们会加入一个新的奖励函数：内在好奇心模型（intrinsic curiosity module，ICM）。ICM模块需要3个输入：状态s1，动作a1，状态s2，根据输入输出另外一个奖励rc(1)。对于智能体，在与环境交互时，不仅希望原始奖励r越大，也希望好奇心奖励rc越大。如何设计好奇心模块？用一个网络，接受输入a(t)，s(t)，输出，也就是用这个网络去预测，看预测值与真实s(t+1)的相似度，越不相似奖励越高。也就是说，好奇心奖励的意义在于：未来的状态越难被预测，得到的奖励就越大，这样方便探索未知的世界。

好奇心模块的设置有一个问题：某些状态很难被预测到并不代表它就是好的，就是需要被尝试的。比如某些游戏中，会突然出现树叶飘动，这是无法预测的，智能体会一直看着树叶飘动。因此智能体仅有好奇心是不够的，还需要知道什么事情是真正重要的。

为了知道什么事情是重要的，避免不必要的冒险，要加上另外一个模块，学习特征提取器(feature extractor) 。如图所示，黄色格子是特征提取器，输入一个状态s(t)，输出一个特征向量表示这个状态，特征提取器可以把无意义的东西过滤掉。那么内在好奇心网络1实际上输入的是a(t)和特征向量，输出下一状态特征向量。如何学习特征提取器，通过网络2学习，网络2输入和，输出预测动作，这个动作与真实动作越接近越好。网络2是用提取后的特征向量预测动作，因此像风吹草动这种与智能体动作无关的信息就会被过滤掉。

2.3课程学习(curriculum learning)

课程学习不只是强化学习中的概念，深度学习，机器学习等领域也会经常用到。课程学习也就是为智能体学习做规划，用于训练的数据通常是有顺序的，从易到难。比如教人学英语，直接学长句很困难，要先单词，然后是短语，最后学习长句。比如在训练循环神经网络时，已经有多篇文献证明，先看短序列，再看长序列，可以学习的更好。对于前面蓝色板子穿过柱子的任务，一开始设置板子已经在柱子上(a)，智能体就能容易学到只需要按压板子即可。然后板子放高一点智能体可能会学习到拿起板子(b)。在学会按压和拿起后，在(c)场景下，板子先离柱子远一点，当智能体把板子拿到柱子上面时，就会知道要按压下去。

课程学习需要人为设计课程。有一个通用的方法是：逆向课程生成(reverse curriculum generation)。假设一开始有一个状态s(g)，黄金状态(gold state)，也就是最后最理想的结果。比如训练机械臂抓东西，抓到东西就是黄金状态。假设和s(g)很近的状态称为s1，至于s1需要根据任务来设计怎样从s(g)采样到s1，然后智能体从s1开始与环境交互，看能不能够到达黄金状态s(g)。接着把奖励极端的情况去掉（情况太简单或者太难），根据这些奖励适中的情况采样出更多的状态。比如机器臂一开始在某个位置可以抓到东西，然后再离远一点，看能不能抓到，抓到后再离远一点。这种学习方式称为逆向课程学习(reverse curriculum learning)。课程学习是为智能体规划学习的顺序，逆向课程学习是从黄金状态反推。

 2.4分层强化学习(hierarchical RL)

我们有多个智能体，一些智能体负责比较高级的东西，它们负责定目标，定完目标以后，再将目标分配给其他的智能体，让其他智能体来执行目标。比如一个学校里校长，教授，研究生都是智能体，现在目标是学习进入QS100。因此校长对教授提出愿景：每年发3篇期刊，教授对研究生提出愿景：做实验。实验做出来，期刊发出来，大家都能得到奖励。每一层的智能体会对下一层智能体提出愿景，下一层再对它的下一层提出新的愿景直到最后一层执行动作。但是如果提出的愿景是下面的智能体无法实现的，就会被讨厌，比如教授让研究生做很难的实验，根本做不出来，教授会被讨厌，得到一个负奖励。每一个智能体都把上层的智能体所提出的愿景当作输入，决定他自己要产生什么输出。

比如在走迷宫游戏中，整体目标是蓝色智能体要走到黄色格子，分为两层智能体学习，第一层为蓝色智能体， 愿景是走到粉色格子，第二层是粉色智能体，提出新的愿景即走到黄色格子，实际上可以分为更多层智能体来实现这个过程。分层强化学习是指将一个复杂的强化学习问题分解成多个小的、 简单的子问题，每个子问题都可以单独用马尔可夫决策过程来建模。这样，我们可以将智能体的策略分为高层次策略和低层次策略，高层次策略根据当前状态决定如何执行低层次策略，从而解决一些复杂的任务。