大家好，又见面了，我是你们的朋友全栈君。
目录
课程大纲
Introduction & Behavioral Cloning
DAGGER algorithm to improve BC【就是在BC中引入了online iteration，2011】
Inverse RL & GAIL
Inverse RL
GAIL
Connection between IRL & GAIL
改进模仿学习的性能
模仿学习与强化学习结合
（1）最简单直接的结合：预训练和调整 Pretrain and Finetune【应用十分广泛】
（2）IL 结合 Off-Policy RL：算是对 Pretrain and Finetune 的改进
（3）另一种结合方式：把 IL 作为一项辅助的损失函数
一个有趣的 Case Study—— motion imitation
IL 本身存在的问题
总结
课程大纲
模仿学习介绍
行为克隆 BC 和 DAGGER 算法
逆强化学习 IRL 和 生成对抗模仿学习GAIL
改进模仿学习的性能
把模仿学习和强化学习结合
Introduction & Behavioral Cloning
从最简单的行为克隆方法开始介绍：比较简单的思想就是把策略的学习当做有监督的学习来进行，例如学习出来策略网络
这样直接把它当做一个有监督的问题来解决的话其实是有问题的：数据的分布假设相矛盾 —— 有监督学习假设数据是 IID 的，但是一个时序的决策过程采集到的数据是有关联的；而且如果模型进入到 off-course 状态（训练时没见到过的状态）时不知道怎么回来
一个可能的解决方案就是：不断添加数据，变成 online 的过程
DAGGER algorithm to improve BC【就是在BC中引入了online iteration，2011】
DAGGER 的缺点在于第三步实在是太耗费时间了，可以改进 DAGGER 吗？第三步是不是可以用其他的算法来打标签呢？
改进DAGGER：
Inverse RL & GAIL
Inverse RL
IRL 与 RL 的对比：
IRL的举例：
GAIL
类似于 IRL，GAN 学习了一个目标函数用于生成模型，GAIL 模仿了 GAN 的思想
Connection between IRL & GAIL
改进模仿学习的性能
怎样提升我们的策略模型？
问题一：Multimodal behavior
解决方案：
①输出一个多高斯模型，也就是多峰的叠加的形式
②隐变量模型
③自回归离散
问题二：Non-Markovian behavior
解决方案：
①建模整个观测历史，比如说 LSTM
用 LSTM 和 示教数据 完成机械臂抓取的例子【AAAI 2018】
那么其实在机器人领域，如何 scale up 数据一直是一个很大的问题
斯坦福的李飞飞组提出的 crowdsourcing 的方法来采集很多很多很多人的示教数据，RoboTurk项目出了一种解决方案
模仿学习其实还有一些问题
①人为提供数据，这个数据本身就有限
②人有时候不能很好提供数据，例如对无人机示教、对复杂机器人的示教
③人本身是可以在环境中自由探索的，是否可以借鉴这一点呢？
所以下面我们就想把模仿学习与强化学习结合起来
模仿学习与强化学习结合
模仿学习与强化学习的各自的特点对比
怎么把两者结合起来，既有 Demonstration 又有 Rewards？
（1）最简单直接的结合：预训练和调整 Pretrain and Finetune【应用十分广泛】
也就是说用 Demonstration 预训练一个 Policy（解决 exploration 的问题），然后用 RL 去 improve policy 和解决那些 off-policy 的状态，最终达到超过示教者表现的过程
Pretrain and Finetune 的流程如下：
这里是之前的 DAGGER 算法，可以和 Pretrain and Finetune 进行对比：
Pretrain and Finetune 的应用：
①应用于 AlphaGo【Nature 2016 Silver】
②应用于 Starcraft2【DeepMind工作】
Pretrain and Finetune 的问题：
①在第三步的时候我们之前获得的比较好的 Policy 用强化学习来训练的时候，可能会面临分布不一致的问题
②最开始的 experience 可能是很糟糕的，这样在进行训练时会摧毁 policy network
解决Pretrain and Finetune 问题的方案：考虑怎样把 Demonstration 一直保留下来 —— Off-Policy RL
（2）IL 结合 Off-Policy RL：算是对 Pretrain and Finetune 的改进
off-policy RL 可以用任意的 experience data ，例如对Q-Learning来说，只要把它们放到 replay buffer 里面就可以一直用
①形式一：Policy Gradient with Demonstration
应用举例：
②形式二：Q-Learning with Demonstration
（3）另一种结合方式：把 IL 作为一项辅助的损失函数
优化 RL的期望回报 IL的极大似然
应用举例：【2017年】
一个有趣的 Case Study—— motion imitation
可以在实际的人的关节贴传感器采数据，甚至还可以从视频里通过姿态估计来采数据训练agent
详细内容去听周老师的课吧~
IL 本身存在的问题
（1）怎样去收集 Demonstration
① Crowdsourcing
② Guided policy search or optimal control for trajectory optimization
（2）怎样优化 Policy 使得 Agent 能处理 off-course 的状况
① 把这些 off-course 的状况也建模进来，打好标签
② Use off-policy learning with the already collected samples
③ 结合 IL 和 RL
总结
注：本文所有内容源自于B站周博磊老师更新完成的强化学习纲要课程，听完之后获益很多，本文也是分享我的听课笔记。周老师Bilibili视频个人主页：https://space.bilibili.com/511221970?spm_id_from=333.788.b_765f7570696e666f.2
感谢周老师 :)
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/192003.html原文链接：https://javaforall.cn
