我已经有两年 ML 经历，这系列课主要用来查缺补漏，会记录一些细节的、自己不知道的东西。

关于强化学习，我专门花半年时间学习实践过，因此这里笔记只记录李老师的 outline 。我的强化学习资源仓库：
https://github.com/PiperLiu/Reinforcement-Learning-practice-zh
我的 **** 强化学习博客集合：
https://blog.****.net/weixin_42815609/category_9592110.html

本节内容综述

1. 本节课是 B 站集合的最后一节课，由助教 林义圣 讲解。介绍些 RL 的新技术。
2. 强化学习有许多难题：探索与开发间的平衡、采样效率。
3. 首先介绍 Model-based RL 。其中讨论了 Alpha 系列（基于蒙特卡洛树搜索），以及 Dream to Control 。
4. 接着，介绍了 Meta-RL 。
5. 接下来讲一讲 Priors ，从之前学过的东西中抽取中有用的知识。
6. Multi-agent RL 。

小细节

Model-based RL

从经验中学习一个 Model ，然后从 Model 上仿真学习。

AlphaGo to AlphaZero, MuZero

AlphaGo -> AlphaGo Zero -> AlphaZero -> MuZero

AlphaGo 可以理解为“很厉害的树搜索”，但是需要 pre-training 。

AlphaZero 不需要 pre-training ，在自我对弈时就引入蒙特卡洛树搜索。

MuZero 则可以自己学习环境模型。

如上，有三个网络，分工为：

• 把环境抽象为某一状态空间（h）；
• 如何在这状态空间进行状态转换（a）；
• 使用什么动作最优（f）。

Dream to Control

这篇文章则没有使用蒙特卡洛树搜索。

完全去学习环境的建模，然后完全在自己想象的模型上去学习。

Automatic Domain Randomization

OpenAI 为了训练机械手臂，在自己建模中，加入了大量干扰信号，以让其在真实世界能够完成任务。

Meta-RL

$a_{t} \sim \pi_{\theta}\left(s_{t}\right) \longleftrightarrow a_{t} \sim \pi_{\theta}\left(a_{t-1}, r_{t-1}, s_{t}\right)$at​∼πθ​(st​)⟷at​∼πθ​(at−1​,rt−1​,st​)

如上，Meta-RL 还要输入过去的信息。

可以用 Meta-RL 学习 RL 的超参数、Loss Functions 、Exploration Strategies 。

Prior

To obtain effective and fast-adapting agents, the agent can rely upon previously distilled knowledge in the form of a prior distribution.

The following two papers propose two distinct ways:

• Simultaneous learning of a goal-agnostic default policy
• Learning a dense embedding space to represent a large set of expert behaviors

Goal-agnostic Prior Policy

如上，两个网络，给第二个网络部分状态信息（比如没有目标位置，只有机器人身体姿势），然后其输出用 KL 与正常网络输出拉近。这样，第二个网络可以学到比较泛化的、与目标无关的特征。

Learn from Experts

比如机器人要学习人的后空翻，那先给机器人看专家的动作，让其学习。此外，还有很多细节，具体需要见原文。

Multi-agent RL

这是一个很复杂的问题。

也有很多可研究的思路。

MADDPG

如上，把别人的状态也输入到自己的状态中来。

Social Influence as Intrinsic Motivation

A mechanism for achieving coordination in multi-agent RL through rewarding agents for having causal Influence over other agents actions.

• Actions that lead to bigger changes in other agents behavior are considered influential and are rewarded.
• Influence is assessed using counterfactual reasoning.

in agent’s immediate reward is modified:

• environmental reward + causal influence reward

$\begin{aligned} c_{k} &=\sum_{j=0, j \neq k}^{N} D_{\kappa_{L}}\left[p\left(a_{j} \mid a_{k}, s_{j}\right) \| \sum_{\dot{a}_{k}} p\left(a_{j} \mid \tilde{a}_{k}, s_{j}\right) p\left(\tilde{a}_{k} \mid s_{j}\right)\right] \\ &=\sum_{j=0, j \neq k}^{N} D_{\kappa L}\left[p\left(a_{j} \mid a_{k}, s_{j}\right) \| p\left(a_{j} \mid s_{j}\right)\right] \end{aligned}$ck​​=j=0,j​=k∑N​DκL​​[p(aj​∣ak​,sj​)∥a˙k​∑​p(aj​∣a~k​,sj​)p(a~k​∣sj​)]=j=0,j​=k∑N​DκL​[p(aj​∣ak​,sj​)∥p(aj​∣sj​)]​

AlphaStar

如上，左部先从人类经验中学习。在最顶上的一条，进行自我对弈。

但是，它把进化中的历史“自我”也存储起来，用来与自己对弈，防止进化方向错误。

此外，还保存了一些过去打败自己的“自己”，然后也用于与自己对弈。