前文是一些针对IRL,IL综述性的解释,后文是针对《Generative adversarial imitation learning》文章的理解及公式的推导。
通过深度强化学习,我们能够让机器人针对一个任务实现从0到1的学习,但是需要我们定义出reward函数,在很多复杂任务,例如无人驾驶中,很难根据状态特征来建立一个科学合理的reward。
人类学习新东西有一个重要的方法就是模仿学习,通过观察别人的动作来模仿学习,不需要知道任务的reward函数。模仿学习就是希望机器能够通过观察模仿专家的行为来进行学习。
OpenAI,DeepMind,Google Brain目前都在向这方面发展。
[1] Model-Free Imitation Learning with Policy Optimization, OpenAI, 2016
[2] Generative Adversarial Imitation Learning, OpenAI, 2016
[3] One-Shot Imitation Learning, OpenAI, 2017
[4] Third-Person Imitation Learning, OpenAI, 2017
[5] Learning human behaviors from motion capture by adversarial imitation, DeepMind, 2017
[6] Robust Imitation of Diverse Behaviors, DeepMind, 2017
[7] Unsupervised Perceptual Rewards for Imitation Learning, Google Brain, 2017
[8] Time-Contrastive Networks: Self-Supervised Learning from Multi-View Observation, Google Brain, 2017
[9] Imitation from Observation/ Learning to Imitate Behaviors from Raw Video via Context Translation, OpenAI, 2017
[10] One Shot Visual Imitation Learning, OpenAI, 2017
模仿学习
从给定的专家轨迹中进行学习。
机器在学习过程中能够跟环境交互,到那时不能直接获得reward。
在任务中很难定义合理的reward(自动驾驶中撞人reward,撞车reward,红绿灯reward),人工定义的reward可能会导致失控行为(让agent考试,目标为考100分,但是reward可能通过作弊的方式)。
三种方法:
a. 行为克隆(Behavior Cloning)
b. 逆向强化学习(Inverse Reinforcement Learning)
c. GAN引入IL(Generative Adversarial Imitation Learning)
行为克隆
有监督的学习,通过大量数据,学习一个状态s到动作a的映射。
但是专家轨迹给定的数据集是有限的,无法覆盖所有可能的情况。如果更换数据集可能效果会不好。则只能不断增加训练数据集,尽量覆盖所有可能发生的状态。但是并不实际,在很多危险状态采集数据成本非常高。
逆向强化学习
RL是通过agent不断与environment交互获取reward来进行策略的调整,最终得到一个optimal policy。但IRL计算量较大,在每一个内循环中都跑了一遍RL算法。
IRL不同之处在于,无法获取真实的reward函数,但是具有根据专家策略得到的一系列轨迹。假设专家策略是真实reward函数下的最优策略,IRL学习专家轨迹,反推出reward函数。
得到复原的reward函数后,再进行策略函数的估计。
RL算法:
IRL算法:
在给定的专家策略后(expert policy),不断寻找reward function来使专家策略是最优的。(解释专家行为,explaining expert behaviors)。具体流程图如下:
生成对抗模仿学习(GAN for Imitation Learning)
我们可以假设专家轨迹是属于某一分布(distribution),我们想让我们的模型也去预测一个分布,并且使这两个分布尽可能的接近。
算法流程如下:
Discriminator:尽可能的区分轨迹是由expert生成还是Generator生成。
Generator(Actor):产生出一个轨迹,使其与专家轨迹尽可能相近,使Discriminator无法区分轨迹是expert生成的还是Generator生成的。
其算法可以写为:
生成对抗模仿学习(Generative Adversarial Imitation Learning)
GAIL能够直接从专家轨迹中学得策略,绕过很多IRL的中间步骤。
逆向强化学习(IRL)
假定cost function的集合为C \mathcal{C} C ,π E \pi_E π E 为专家策略。带有正则化项ψ \psi ψ 最大熵逆向强化学习是想找到一个cost function似的专家策略的效果优于其余所有策略(cost越小越优):I R L ψ ( π E ) = arg m a x c ∈ C − ψ ( c ) + ( min π ∈ Π − H ( π ) + E π [ c ( s , a ) ] ) − E π E [ c ( s , a ) ]
\rm{IRL}_{\psi}(\pi_E) = \arg max_{c\in\mathcal{C}} -\psi(c)+(\min_{\pi \in \Pi}- \it {H}(\pi) + \mathbb E_\pi[c(s,a)]) - \mathbb E_{\pi_E}[c(s,a)]
I R L ψ ( π E ) = arg m a x c ∈ C − ψ ( c ) + ( π ∈ Π min − H ( π ) + E π [ c ( s , a ) ] ) − E π E [ c ( s , a ) ]
其中E π [ c ( s , a ) ] = E [ ∑ t = 0 ∞ γ t c ( s t , a t ) ] \mathbb E_\pi[c(s,a)]=\mathbb E[\sum\limits_{t=0}^\infty \gamma^tc(s_t,a_t)] E π [ c ( s , a ) ] = E [ t = 0 ∑ ∞ γ t c ( s t , a t ) ] ,H ( π ) = E π [ − log π ( a ∣ s ) ] H(\pi)=\mathbb E_\pi[-\log \pi(a|s)] H ( π ) = E π [ − log π ( a ∣ s ) ] 是一个γ \gamma γ 折扣累积熵。IRL过程中包含一个RL过程:R L ( c ) = arg m i n π ∈ Π − H ( π ) + E π [ c ( s , a ) ]
\rm{RL}(c) = \arg min_{\pi \in \Pi} -\it H(\pi)+\mathbb E_\pi
[c(s,a)]
R L ( c ) = arg m i n π ∈ Π − H ( π ) + E π [ c ( s , a ) ]
Defination 1.
对于一个策略π \pi π ,定义其占用率度量(occupancy measure)ρ π : S × A → R \rho_\pi:\mathcal{S}\times\mathcal{A}\to \mathbb R ρ π : S × A → R 为ρ π ( s , a ) = π ( a ∣ s ) ∑ t = 0 ∞ γ t P ( s t = s ∣ π )
\rho_\pi(s,a) = \pi(a|s)\sum\limits_{t=0}^\infty\gamma^tP(s_t=s|\pi)
ρ π ( s , a ) = π ( a ∣ s ) t = 0 ∑ ∞ γ t P ( s t = s ∣ π )
占用率度量可以近似看做是使用策略π \pi π 时,状态-动作对的分布。D \mathcal D D 是有效的占用率度量的集合。
[1] U. Syed, M. Bowling, and R. E. Schapire. Apprenticeship learning using linear programming. In
Proceedings of the 25th International Conference on Machine Learning, pages 1032–1039, 2008. 证明π ∈ Π \pi \in \Pi π ∈ Π 与ρ ∈ D \rho\in\mathcal D ρ ∈ D 是一一对应关系。
Lemma 3.1.
若ρ ∈ D \rho\in\mathcal D ρ ∈ D ,则ρ \rho ρ 是策略π ρ = ρ ( s , a ) / ∑ a ′ ρ ( s , a ′ ) \pi_{\rho}=\rho(s,a)/\sum\limits_{a'}\rho(s,a') π ρ = ρ ( s , a ) / a ′ ∑ ρ ( s , a ′ ) 的占用率度量,并且π ρ \pi_{\rho} π ρ 是唯一的。
根据Definition 1 ,可以将γ \gamma γ 折累计代价写为E π [ c ( s , a ) ] = ∑ s , a ρ π ( s , a ) c ( s , a )
\mathbb E_\pi[c(s,a)]=\sum\limits_{s,a}\rho_\pi(s,a)c(s,a)
E π [ c ( s , a ) ] = s , a ∑ ρ π ( s , a ) c ( s , a )
Lemma 3.2.
若H ( π ) = E π [ − log π ( a ∣ s ) ] H(\pi)=\mathbb E_\pi[-\log\pi(a|s)] H ( π ) = E π [ − log π ( a ∣ s ) ] ,H ‾ ( ρ ) = − ∑ s , a ρ ( s , a ) log ( ρ ( s , a ) / ∑ a ′ ρ ( s , a ′ ) ) \overline H(\rho)=-\sum\limits_{s,a}\rho(s,a)\log(\rho(s,a)/ \sum_{a'}\rho(s,a')) H ( ρ ) = − s , a ∑ ρ ( s , a ) log ( ρ ( s , a ) / ∑ a ′ ρ ( s , a ′ ) ) 。可知H ‾ \overline H H 是强凹的,并且对于任意π ∈ Π , ρ ∈ D \pi \in \Pi, \rho \in \mathcal D π ∈ Π , ρ ∈ D ,可得H ( π ) = H ‾ ( ρ π ) H(\pi)=\overline H(\rho_\pi) H ( π ) = H ( ρ π ) 和H ( π ρ ) = H ‾ ( ρ ) H(\pi_\rho)=\overline H(\rho_) H ( π ρ ) = H ( ρ ) 。
Lemma 3.3.
若L ( π , c ) = − H ( π ) + E π [ c ( s , a ) ] L(\pi,c)=-H(\pi)+\mathbb E_\pi[c(s,a)] L ( π , c ) = − H ( π ) + E π [ c ( s , a ) ] ,L ‾ ( ρ , c ) = − H ‾ ( ρ ) + ∑ s , a ρ ( s , a ) c ( s , a ) \overline L(\rho,c) = -\overline H(\rho) + \sum_{s,a}\rho(s,a)c(s,a) L ( ρ , c ) = − H ( ρ ) + ∑ s , a ρ ( s , a ) c ( s , a ) 。对于所有的代价函数c c c ,如下成立:
1.对于任意π ∈ Π \pi\in\Pi π ∈ Π ,L ( π , c ) = L ‾ ( ρ π , c ) L(\pi,c)=\overline L(\rho_\pi,c) L ( π , c ) = L ( ρ π , c ) .
2.对于任意ρ ∈ D \rho\in\mathcal D ρ ∈ D ,L ( π ρ , c ) = L ‾ ( ρ , c ) L(\pi_\rho,c)=\overline L(\rho,c) L ( π ρ , c ) = L ( ρ , c )
Definition 2
对于一个方程f : R R × A → R ‾ f:\mathbb R^{\mathcal R \times \mathcal A}\to \overline \mathbb R f : R R × A → R ,其凸共轭f ∗ : R R × A → R ‾ f^*:\mathbb R^{\mathcal R \times \mathcal A} \to \overline \mathbb R f ∗ : R R × A → R 定义为f ∗ ( x ) = sup y ∈ R S × A x T y − f ( y ) f^*(x) = \sup_{y\in\mathbb R^{\mathcal S \times \mathcal A}}x^Ty-f(y) f ∗ ( x ) = sup y ∈ R S × A x T y − f ( y ) .
Proposition 1
$RL(\widetilde c) $是利用IRL恢复的cost,通过RL学得的policy。可得R L ∘ I R L ψ ( π E ) = a r g m i n π ∈ Π − H ( π ) + ψ ∗ ( ρ π − ρ π E )
RL\circ IRL_\psi(\pi_E) = argmin_{\pi\in\Pi}-H(\pi) + \psi^*(\rho_\pi - \rho_{\pi_{E}})
R L ∘ I R L ψ ( π E ) = a r g m i n π ∈ Π − H ( π ) + ψ ∗ ( ρ π − ρ π E )
上述表明,ψ \psi ψ 正则化逆向强化学习就只隐性的找到policy,该policy的占用率度量(occupancy measure)逼近专家策略的占用率度量,使用凸函数ψ ∗ \psi^* ψ ∗ 来衡量占用率度量的差异。
通过上式可得,最优代价函数(cost function)与学得的policy可以组成上式的一个鞍点,IRL寻找鞍点的一个坐标维度,RL根据IRL的结果寻找鞍点坐标的另一个维度。( c , π ) (c,\pi) ( c , π ) 为一个鞍点。
可得,不同的正则化函数ψ \psi ψ 构成不同的模仿学习算法,可以直接求解上式得到( c , π ) (c,\pi) ( c , π ) 。
在本文中将会主要介绍三种不同的正则化函数:恒定正则化函数,示性正则化函数,生成对抗正则化函数(GA)
Corollary 1
若ψ \psi ψ 是一个恒定值,c ~ ∈ I R L ψ ( π E ) \widetilde c\in IRL_\psi(\pi_E) c ∈ I R L ψ ( π E ) 并且π ~ ∈ R L ( c ~ ) \widetilde \pi\in RL(\widetilde c) π ∈ R L ( c ) ,则ρ π ~ = ρ π E \rho_{\widetilde \pi} = \rho_{\pi_E} ρ π = ρ π E .
若没有正则化项,则RL得到的policy将会精确匹配专家policy
但该算法无法应用于实际系统中,因为实际系统的环境非常大,计算复杂。
若正则化项为一个恒定值,则只能学习到专家轨迹中采样到的状态动作对,但是在大规模环境中,专家轨迹有限无法探索到所有的状态动作对,因此学得的policy几乎不会涉及到未出现过的状态动作对。
示性正则化学徒学习
学徒算法是想要找到一个policy并且比专家policy效果在学得的cost function C \mathcal C C 情况下更好,通过解如下方程:min π max c ∈ C E π [ c ( s , a ) ] − E π E [ c ( s , a ) ]
\min_\pi \max_{c\in\mathcal C} \mathbb E_\pi[c(s,a)] - \mathbb E_{\pi_E}[c(s,a)]
π min c ∈ C max E π [ c ( s , a ) ] − E π E [ c ( s , a ) ] C \mathcal C C 是一个有约束的凸集,是由一系列基础方程f 1 , f 2 , … , f d f_1,f_2,\dots,f_d f 1 , f 2 , … , f d 的线性组合而成。 Abbeel 和 Ng使用C l i n e a r = { ∑ i w i f i : ∥ w ∥ 2 ≤ 1 } \mathcal C_{linear} = \{ \sum_i w_if_i:\|w\|_2\le1\} C l i n e a r = { ∑ i w i f i : ∥ w ∥ 2 ≤ 1 } ,Syde使用C c o n v e x = { ∑ i w i f i : ∑ i w i = 1 , w i ≥ 0 ∀ i } \mathcal C_{convex}=\{ \sum_i w_if_i:\sum_iw_i=1,w_i\ge 0 \forall i\} C c o n v e x = { ∑ i w i f i : ∑ i w i = 1 , w i ≥ 0 ∀ i } .
对于示性函数δ c : R S × A → R ‾ \delta_c:\mathbb R^{\mathcal S \times \mathcal A}\to \overline \mathbb R δ c : R S × A → R ,定义如下δ C ( c ) = { 0 , c ∈ C + ∞ , o t h e r w i s e
\delta_{\mathcal C}(c) =\left\{
\begin{array}{lr}
0, & c\in\mathcal C \\
+\infty, & otherwise
\end{array}
\right.
δ C ( c ) = { 0 , + ∞ , c ∈ C o t h e r w i s e
学徒学习的目标函数可以化为max c ∈ C E π [ c ( s , a ) ] − E π E [ c ( s , a ) ] = max c ∈ C − δ C ( c ) + ∑ s , a ( ρ π ( s , a ) − ρ π E ( s , a ) ) c ( s , a ) = δ C ∗ ( ρ π − ρ π E )
\begin{aligned}
&\max_{c\in\mathcal C} \mathbb E_\pi[c(s,a)] - \mathbb E_{\pi_E}[c(s,a)] \\
&=\max_{c\in\mathcal C} -\delta_{\mathcal C}(c)+\sum_{s,a}(\rho_\pi(s,a)-\rho_{\pi_E}(s,a))c(s,a) \\
&=\delta_{\mathcal C}^*(\rho_\pi - \rho_{\pi_E})
\end{aligned}
c ∈ C max E π [ c ( s , a ) ] − E π E [ c ( s , a ) ] = c ∈ C max − δ C ( c ) + s , a ∑ ( ρ π ( s , a ) − ρ π E ( s , a ) ) c ( s , a ) = δ C ∗ ( ρ π − ρ π E )
无法精确匹配专家经验的占用率度量。
熵-正则化学徒学习
min π − H ( π ) + max c ∈ C E π [ c ( s , a ) ] − E π E [ c ( s , a ) ] = min π − H ( π ) + δ C ∗ ( ρ π − ρ π E )
\min_\pi - H(\pi)+\max_{c\in\mathcal C}\mathbb E_\pi[c(s,a)] - \mathbb E_{\pi_E}[c(s,a)] = \min_{\pi} -H(\pi)+\delta_{\mathcal C}^*(\rho_\pi-\rho_{\pi_E})
π min − H ( π ) + c ∈ C max E π [ c ( s , a ) ] − E π E [ c ( s , a ) ] = π min − H ( π ) + δ C ∗ ( ρ π − ρ π E )
熵-正则化学徒学习等价于在有示性函数ψ = δ C \psi=\delta_{\mathcal C} ψ = δ C 的IRL后运行RL。
GA正则化
ψ G A ( c ) = { E π E [ g ( c ( s , a ) ) ] , c < 0 + ∞ , o t h e r w i s e g ( x ) = { − x − log ( 1 − e x ) , x < 0 0 , o t h e r w i s e
\psi_{GA}(c) = \left\{
\begin{array}{lr}
\mathbb E_{\pi_E}[g(c(s,a))],\qquad &c<0 \\
+\infty, & otherwise
\end{array}
\right. \\
g(x)=\left\{
\begin{array}{lr}
-x-\log(1-e^x),\qquad &x<0 \\
0, & otherwise
\end{array}
\right.
ψ G A ( c ) = { E π E [ g ( c ( s , a ) ) ] , + ∞ , c < 0 o t h e r w i s e g ( x ) = { − x − log ( 1 − e x ) , 0 , x < 0 o t h e r w i s e
ψ G A \psi_{GA} ψ G A 是一个针对专家数据求期望的函数,因此可以适用于任意专家数据集。
不像δ C \delta_{\mathcal C} δ C 将cost function约束在小的子空间中。ψ G A \psi_{GA} ψ G A 允许任意的cost function只要是负数空间中。
选择ψ G A \psi_{GA} ψ G A 的目的是因为其具有一个非常优秀的凸共轭函数,如下ψ G A ∗ ( ρ π − ρ π E ) = max D ∈ ( 0 , 1 ) S × A E π E [ log ( D ( s , a ) ) ] + E π [ log ( 1 − D ( s , a ) ) ]
\psi_{GA}^*(\rho_\pi-\rho_{\pi_E}) = \max_{D\in(0,1)^{\mathcal S \times \mathcal A}} \mathbb E_{\pi_E}[\log(D(s,a))] + \mathbb E_\pi[\log(1-D(s,a))]
ψ G A ∗ ( ρ π − ρ π E ) = D ∈ ( 0 , 1 ) S × A max E π E [ log ( D ( s , a ) ) ] + E π [ log ( 1 − D ( s , a ) ) ]
上式等价于一个对数损失函数来区分π \pi π 与π E \pi_E π E 。这个最优损失等价于Jensen-Shannon散度D J S ( ρ π , ρ π E ) = D K L ( ρ π ∥ ( ρ π − ρ π E ) / 2 ) + D K L ( ρ π E ∥ ( ρ E + ρ π E ) / 2 )
D_{JS}(\rho_\pi,\rho_{\pi_E}) = D_{KL}(\rho_\pi \|(\rho_\pi - \rho_{\pi_E})/2)+D_{KL}(\rho_{\pi_E}\|(\rho_E+\rho_{\pi_E})/2)
D J S ( ρ π , ρ π E ) = D K L ( ρ π ∥ ( ρ π − ρ π E ) / 2 ) + D K L ( ρ π E ∥ ( ρ E + ρ π E ) / 2 )
则有如下等价关系min π ψ G A ∗ ( ρ π − ρ π E ) − λ H ( π ) ⟺ min π max D E π E [ log ( D ( s , a ) ) ] + E π [ log ( 1 − D ( s , a ) ] − λ H ( π ) ⟺ min π D J S ( ρ π , ρ π E ) − λ H ( π )
\min_{\pi}\psi_{GA}^*(\rho_\pi - \rho_{\pi_E})-\lambda H(\pi) \Longleftrightarrow \\
\min_{\pi}\max_{D}\mathbb E_{\pi_E}[\log(D(s,a))]+\mathbb E_{\pi}[\log(1-D(s,a)]-\lambda H(\pi) \Longleftrightarrow \\
\min_{\pi}D_{JS}(\rho_\pi,\rho_{\pi_E}) - \lambda H(\pi)
π min ψ G A ∗ ( ρ π − ρ π E ) − λ H ( π ) ⟺ π min D max E π E [ log ( D ( s , a ) ) ] + E π [ log ( 1 − D ( s , a ) ] − λ H ( π ) ⟺ π min D J S ( ρ π , ρ π E ) − λ H ( π )
找到一个policy,其占用率度量(occupancy measure)能够最小化与专家经验的Jensen-Shannon散度。
生成对抗网络
min G max D E x ∼ P d a t a ( x ) [ log D ( x ) ] + E z ∼ P z ( z ) [ log ( 1 − D ( G ( z ) ) ) ]
\min_G\max_D \mathbb E_{x\sim P_{data}(x)}[\log D(x)] + \mathbb E_{z\sim P_z(z)}[\log(1-D(G(z)))]
G min D max E x ∼ P d a t a ( x ) [ log D ( x ) ] + E z ∼ P z ( z ) [ log ( 1 − D ( G ( z ) ) ) ]
D的任务是区分G生成的数据与真实数据。
学习到的policy的占用率度量ρ π \rho_\pi ρ π 类比于G生成的数据分布。
专家经验的占用率度量ρ π E \rho_{\pi_E} ρ π E 类比于真实数据分布。
GAIL算法
期望找到如下式的鞍点( π , D ) (\pi,D) ( π , D ) E π E [ log ( D ( s , a ) ) ] + E π [ log ( 1 − D ( s , a ) ) ] − λ H ( π )
\mathbb E_{\pi_E}[\log(D(s,a))] + \mathbb E_\pi[\log(1-D(s,a))]-\lambda H(\pi)
E π E [ log ( D ( s , a ) ) ] + E π [ log ( 1 − D ( s , a ) ) ] − λ H ( π )
π θ \pi_\theta π θ 是一个参数化的policy,θ \theta θ 为权重。D ω D_\omega D ω 是一个参数化的鉴别器,权重为ω \omega ω 。
对ω \omega ω 使用Adam梯度算法,从而使上式上升。
对θ \theta θ 使用TRPO算法,从而使上式下降。
TPRO能够保证π θ i + 1 \pi_{\theta_{i+1}} π θ i + 1 不远离π θ i \pi_{\theta_{i}} π θ i