1. 介绍

这篇论文将DQN应用于动作空间是连续的情况。我们知道，DQN的输入通常是高纬度的观测空间（例如图像像素），输出则是离散的动作空间。生活中有相当一部分问题，动作空间是连续的。DQN无法直接用于这些问题。
一种方式是离散化动作空间。但是问题多多
这篇论文中，作者提出了一种model-free, off-policy actor-critic算法来在连续的动作空间中使用DQN。
通常使用一个复杂的非线性的函数来拟合价值函数会导致不稳定，DQN通过两种方式来克服不稳定，一是，网络从replay buffer来学习，属于off-policy，减少了样本之间的关联；二是网络和一个目标网络一同训练，这使得学习的目标更加稳定。
论文提出的算法称为 DDPG。

2. 算法

Q-learning的主要方式就是最小化如下loss

其中

在连续的动作空间，很难直接应用Q-learning，因此在每一步都要对最优的 $a_t$ 进行求解，这是非常困难的。为此，这里采用基于actor-critic approach的DPG算法。
DPG算法包含了一个actor函数 $\mu (s | \theta^\mu)$ ，它指定了从状态到动作的确定性的映射，也就是策略。还包含了一个critic $Q(s,a)$ ，它通过bellman方程学习。
下面公式为policy的梯度，也就是actor函数的梯度。

在论文DPG中证明了上式是policy gradient。

和Q-learning一样，使用一个非线性函数拟合会导致无法保证收敛。论文的贡献就是在DQN的启发下，对DPG进行了修改，使得它能够用于训练神经网络，也就是Deep DPG（DDPG）。
算法如下：

DDPG

在增强学习问题中应用神经网络的一个困难是，很多的优化算法基于样本独立同分布的假设。显然，增强学习环境产生的样本不满足这个假设。除此之外，为了有效训练，通常还会采用minibatch。
像DQN中一样，论文采用了replay buffer来克服这个困难。根据一个exploration策略，采样一些样本 $(s_t,a_t,r_t,s_{t+1})$ 存储在replay buffer中。训练时就从这里取样本。
直接使用神经网络，实现Q-learning通常会不稳定。因此网络 $Q(s,a|\theta^Q)$ 同时用于计算target value，和更新。论文中采用的方法是类似DQN中的target network，但是更新时不是直接拷贝，而是使用soft target updates。作者首先拷贝一份actor和critic网络： $Q'(s,a|\theta^{Q'})$ 和 $\mu'(s|\theta^{\mu'})$ 。它们用于计算target value。它们的参数通过慢慢地跟踪learned network来更新： $\theta' \leftarrow \tau \theta + (1 - \tau) \theta'$ 。 $\tau$ 远远小于1，这意味着target value也会改变地非常慢。
在实际问题中，一些低维度的特征往往单位不同，例如位置和速度，这可能使得网络难以高效训练。
一种方式是认为统一。论文使用batch-normalization来克服这个问题。

另一个连续动作空间的问题是exploration。论文中通过加入噪声来构造exploration policy $\mu'$ 。 $\mu'(s_t) = \mu(s_t|\theta_t^\mu) + N$ 。

Continuous control with deep Reinforcement Learning 笔记

Continuous control with deep Reinforcement Learning 笔记

1. 介绍

2. 算法

推荐阅读更多精彩内容