谷歌最近提出一種新的強化學(xué)習(xí)算法：模擬策略學(xué)習(xí) (SimPLe) ，使用游戲模型來學(xué)習(xí)選擇動作的策略，在兩款A(yù)tari游戲中獲得了最高分數(shù)，并且效率比以前的最先進方法高出2倍以上。

深度強化學(xué)習(xí)(RL)技術(shù)可用于從視覺輸入中學(xué)習(xí)復(fù)雜任務(wù)的策略，并已成功地應(yīng)用于經(jīng)典的Atari 2600游戲。最近在這一領(lǐng)域的工作表明，即使在具有挑戰(zhàn)性的探索體系中，例如《蒙特祖瑪?shù)膹?fù)仇》游戲，AI也可以獲得超越人類的表現(xiàn)。

然而，許多最先進的方法都有的一個限制是，它們需要與游戲環(huán)境進行大量的交互，通常比人類學(xué)習(xí)如何玩好游戲所需要的交互要多得多。

為什么人類能更有效地學(xué)習(xí)這些任務(wù)？一個可能的假設(shè)是，他們能夠預(yù)測自己行為的影響，從而隱式地學(xué)習(xí)了一個關(guān)于哪些動作序列將導(dǎo)致理想結(jié)果的模型。

這種一般性的想法——構(gòu)建一個所謂的游戲模型，并使用它來學(xué)習(xí)選擇行動的良好策略——是基于模型的強化學(xué)習(xí)(model-based reinforcement learning, MBRL)的主要前提。

Google的研究人員最近提出一種新的MBRL算法——模擬策略學(xué)習(xí)(Simulated Policy Learning, SimPLe)，使用游戲模型來學(xué)習(xí)選擇動作的質(zhì)量策略。

SimPLe比當前最先進的技術(shù)更高效，并且僅使用了~100K與游戲的交互即可顯示出有競爭力的結(jié)果(相當于一個人約2小時的實時玩游戲)。

研究人員在論文“Model-Based Reinforcement Learning for Atari”中描述了該算法，并已將代碼作為tensor2tensor開源庫的一部分開源。該版本包含一個預(yù)訓(xùn)練的世界模型，可以使用簡單的命令行運行，并且可以使用類似于Atari的界面播放。

學(xué)習(xí)一個SimPLe世界模型

SimPLe背后的想法是在學(xué)習(xí)游戲行為的世界模型和在模擬游戲環(huán)境中使用該模型優(yōu)化策略(使用model-free強化學(xué)習(xí))之間進行交替。該算法的基本原理已經(jīng)在Sutton的“Dyna, an integrated architecture for learning, planning, and reacting”中很好地建立起來，并且已經(jīng)應(yīng)用到許多最近的基于模型的強化學(xué)習(xí)方法中。

SimPLe的主循環(huán)。1) agent開始與真實環(huán)境交互。2)收集的觀測結(jié)果用于更新當前的世界模型。3) agent通過學(xué)習(xí)世界模型更新策略。

為了訓(xùn)練一個玩Atari游戲的模型，我們首先需要在像素空間中生成合理的未來版本。換句話說，我們通過將一系列已經(jīng)觀察到的幀和給到游戲的命令(如“左”、“右”等)作為輸入，來試圖預(yù)測下一幀會是什么樣子。在觀察空間中訓(xùn)練一個世界模型的一個重要原因在于，它實際上是一種自我監(jiān)督的形式，在我們的例子中，觀察(像素)形成了一個密集且豐富的監(jiān)督信號。

如果成功地訓(xùn)練了這樣一個模型(如一個視頻預(yù)測器)，則基本上有了一個游戲環(huán)境的學(xué)習(xí)模擬器(learned simulator)，可用于生成用來訓(xùn)練良好策略的軌跡，即選擇一系列使智能體的長期獎勵最大化的動作。

換句話說，我們不是在真實游戲的操作序列上訓(xùn)練策略，這在實踐和計算上都非常密集，而是在來自世界模型/學(xué)習(xí)模擬器的序列之上訓(xùn)練策略。

我們的世界模型是一個前饋卷積網(wǎng)絡(luò)，它接收4個幀，并預(yù)測下一幀以及獎勵(見上圖)。然而，在Atari游戲的情況下，只考慮4幀的視界的話，未來是非確定性的。例如，游戲中的暫停時間就已經(jīng)超過四幀，比如在《乒乓球》(Pong)游戲中，當球掉出框時，可能會導(dǎo)致模型無法成功預(yù)測后續(xù)的幀。我們使用一種新的視頻模型架構(gòu)來處理諸如此類的隨機性問題，在這種情況下能做得更好。

當SimPle模型應(yīng)用于《成龍?zhí)唣^》(Kung Fu Master)游戲時，可以看到一個由隨機性引起的問題的例子。在動畫中，左邊是模型的輸出，中間是groundtruth，右邊是兩者之間的像素差異。在這里，模型的預(yù)測由于產(chǎn)生了不同數(shù)量的對手而偏離了真實游戲。

在每次迭代中，在訓(xùn)練好世界模型之后，我們使用這個learned simulator來生成用于使用近似策略優(yōu)化(PPO)算法改進游戲策略的rollouts(即動作、觀察和結(jié)果的樣本序列)。

SimPLe工作的一個重要細節(jié)是，rollouts的采樣是從實際數(shù)據(jù)集幀開始的。由于預(yù)測錯誤通常會隨著時間的推移而增加，使長期預(yù)測變得非常困難，因此SimPLe只使用中等長度的rollouts。幸運的是，PPO算法也可以從其內(nèi)部價值函數(shù)中學(xué)習(xí)動作和獎勵之間的長期影響，因此有限長度的rollouts對于像《Freeway》這樣獎勵稀疏的游戲來說也是足夠的。

SimPLe的效率：比其他方法高2倍以上

衡量成功的一個標準是證明該模型是高效的。為此，我們在與環(huán)境進行了100K次交互之后，評估了我們的策略輸出，這相當于一個人玩了大約兩個小時的實時游戲。

我們將SimPLe方法與兩種最先進的model-free RL方法：Rainbow和PPO，進行了比較。在大多數(shù)情況下，SimPLe方法的采樣效率比其他方法高出兩倍以上。

和我們SimPLe方法取得的得分匹配的話，兩種model-free算法所需的交互次數(shù)(左- Rainbow;右-PPO)。紅線表示我們的方法使用的交互次數(shù)。

SimPLe的成功：2款游戲獲得最高分

SimPLe方法的一個令人興奮的結(jié)果是，對于Pong和Freeway這兩款游戲，在模擬環(huán)境中訓(xùn)練的智能體能夠獲得最高分數(shù)。下面是智能體使用為Pong游戲?qū)W習(xí)的模型玩游戲的視頻:

對于Freeway、Pong和Breakout這3款游戲，SimPLe可以生成50步以內(nèi)的近乎完美的像素預(yù)測，如下圖所示。

SimPLe可以在Breakout(上圖)和Freeway(下圖)生成幾乎完美的像素預(yù)測。在每個動畫中，左邊是模型的輸出，中間是groundtruth，右邊是兩者之間的像素差異。

SimPLe的局限

SimPLe的預(yù)測并不總是正確的。最常見的失敗是由于世界模型沒有準確地捕獲或預(yù)測小但高度相關(guān)的對象。

例如:(1)在《Atlantis》和《Battlezone》游戲中，子彈是如此之小，以至于它們往往會消失不見；(2)《Private Eye》游戲中，agent穿越不同的場景，從一個場景傳送到另一個場景。我們發(fā)現(xiàn)，我們的模型通常很難捕捉到如此巨大的全局變化。

在《Battlezone》中，我們發(fā)現(xiàn)模型很難預(yù)測小但高度相關(guān)的部分，比如子彈。

結(jié)論

model-based的強化學(xué)習(xí)方法的主要前景是在交互要么成本高昂、速度緩慢，要么需要人工標記的環(huán)境中，比如許多機器人任務(wù)。在這樣的環(huán)境中，一個learned simulator能夠更好地理解智能體的環(huán)境，并能夠為執(zhí)行多任務(wù)強化學(xué)習(xí)提供新的、更好、更快的方法。

雖然SimPLe還沒有達到標準的model-free RL方法的性能，但它的效率要高很多。我們期望未來的工作能夠進一步提高model-based的技術(shù)的性能。