增强学习面临的一个问题是reward是稀疏的，所以增强学习通常都是需要大量的数据来训练才行。提高数据的学习效率一直都是增强学习努力要解决的问题，从2016年底到今年初，deepmind发布了两篇同样主题的论文来说明他们研究的一个方向，除了追求累计的reward的最大化以外，辅以多个副任务。就像游戏中的主线和支线一样。网络训练过程中，兼顾累积的reward最大化和辅助任务的loss函数降低，达到提高数据效率和训练效果的目标。Learning to navigate in complex environments就是这种思路。在导航任务中，需要定位，基本的解决思路是slam。而这篇论文则是要在完成主线的时候，顺便做点slam的工作，如果对于人来说，这好像是非常理所当然的，比如我要去某个房间拿个东西，一定要知道我现在在哪里，怎么去那个房间，或者不知道在那个房间，我要记住我去过的房间和路线。
对于agent来讲，困难就很多，环境中经常出现各种动态元素，需要agent用不同长短的时间来记忆不同的东西。对于目标，one-shot。对于不同的速度信号和视野中的障碍，要短时的记忆。同时也要长期记住环境的地形的一些因素，比如不同房间的边界和一些线索等等。
为了增加增强学习的数据有效性，完成找东西的任务，论文考虑了两个辅助任务，一个是对于agent输入的视觉图像给出深度信息，这样有利于避障和短期的路径规划。一个是要知道slam的loop closure，就是知道这个地方我曾经来过。
下面是游戏（deepmind你懂的）中的场景和maze的平面图：
而下图是论文尝试的几种不同的模型用来做测试和结果对比的：
a是一个FF A3C，基于cnn的A3C网络。b是一个典型的CNN+LSTM的网络。c是stacked lstm，同时把速度、前一个状态的动作和奖赏也作为输入，下文称做NavA3C。d是基于NavA3C网络，一种增加了通过CNN对深度的做预测Nav A3C+D1。一种是通过LSTM进行深度预测Nav A3C+D2。一种增加对loop closure的预测Nav A3C+L。把所有的辅助任务的loss都考虑在内的是Nav A3C+D1D2L
从下图的验证结果来看，Nav A3C+D2效果最好，static1和static 2达到human-level。在random 分别达到了91%和59%。static指目标的地点固定，但是机器人的起始点随机的设定。 random是指目标的地点和机器人的起始点都随机的设定。
下图就是具体的网络图了，图里面对每一层和输入输出都表示出来了，不需要特别的解释。但是对于网络的训练是特别关键的，论文中提到价值和策略网络是通过增强学习来训练的。深度和loop closure是通过监督学习来训练的，所有的梯度汇合来一起更新网络。深度似乎是游戏本身可以提供的。深度并没有采用回归的网络，而是做成了分类的网络，针对每个像素的，所以输出是64*8，8分类。Loop closure似乎是根据平方差来确定的，但是不知道样本的标签是怎么来的。
