在強化學(xué)習(xí)問題中，關(guān)于任務(wù)目標的制定，往往需要開發(fā)人員花費很多的精力，在本文中，谷歌大腦聯(lián)合佐治亞理工學(xué)院提出了正向-反向強化學(xué)習(xí)（Forward-Backward Reinforcement Learning，F(xiàn)BRL），它既能從開始位置正向進行探索，也可以從目標開始進行反向探索，從而加速智能體的學(xué)習(xí)過程。

一般來說，強化學(xué)習(xí)問題的目標通常是通過手動指定的獎勵來定義的。為了設(shè)計這些問題，學(xué)習(xí)算法的開發(fā)人員必須從本質(zhì)上了解任務(wù)的目標是什么。然而我們卻經(jīng)常要求智能體在沒有任何監(jiān)督的情況下，在這些稀疏獎勵之外，獨自發(fā)現(xiàn)這些任務(wù)目標。雖然強化學(xué)習(xí)的很多力量來自于這樣一種概念，即智能體可以在很少的指導(dǎo)下進行學(xué)習(xí)，但這一要求對訓(xùn)練過程造成了極大的負擔(dān)。

如果我們放松這一限制，并賦予智能體關(guān)于獎勵函數(shù)的知識，尤其是目標，那么我們就可以利用反向歸納法（backwards induction）來加速訓(xùn)練過程。為了達到這個目的，我們提出訓(xùn)練一個模型，學(xué)習(xí)從已知的目標狀態(tài)中想象出反向步驟。

我們的方法不是專門訓(xùn)練一個智能體以決策該如何在前進的同時到達一個目標，而是反向而行，共同預(yù)測我們是如何到達目標的。我們在Gridworld和漢諾塔（Towers of Hanoi）中對我們的研究進行了評估，并通過經(jīng)驗證明了，它的性能比標準的深度雙Q學(xué)習(xí)（Deep Double Q-Learning，DDQN）更好。

強化學(xué)習(xí)（Reinforcement Learning，RL）問題通常是由智能體在對環(huán)境的任務(wù)獎勵盲然無知的情況下規(guī)劃的。然而，對于許多稀疏獎勵問題，包括點對點導(dǎo)航、拾取和放置操縱、裝配等等目標導(dǎo)向的任務(wù)，賦予該智能體以獎勵函數(shù)的知識，對于學(xué)習(xí)可泛化行為來說，既可行又實用。

通常，這些問題的開發(fā)人員通常知道任務(wù)目標是什么，但不一定知道如何解決這些問題。在本文中，我們將介紹我們?nèi)绾卫脤δ繕说闹R，使我們甚至能夠在智能體到達這些領(lǐng)域之前學(xué)習(xí)這些領(lǐng)域中的行為。相比于那些從一開始就將學(xué)習(xí)初始化的方法，這種規(guī)劃性方案可能更容易解決。

例如，如果我們知道所需的位置、姿勢或任務(wù)配置，那么我們就可以逆轉(zhuǎn)那些將我們帶到那里的操作，而不是迫使智能體獨自通過隨機發(fā)現(xiàn)來解決這些難題。

Gridworld和漢諾塔環(huán)境

本文中，我們介紹了正向-反向強化學(xué)習(xí)（Forward-Backward Reinforcement Learning，F(xiàn)BRL），它引入反向歸納，使我們的智能體能夠及時進行逆向推理。通過一個迭代過程，我們既從開始位置正向進行了探索，也從目標開始進行了反向探索。

為了實現(xiàn)這一點，我們引入了一個已學(xué)習(xí)的反向動態(tài)模型，以從已知的的目標狀態(tài)開始進行反向探索，并在這個局部領(lǐng)域中更新值。這就產(chǎn)生了“展開”稀疏獎勵的效果，從而使它們更容易發(fā)現(xiàn)，并因此加速了學(xué)習(xí)過程。

標準的基于模型的方法旨在通過正向想象步驟并使用這些產(chǎn)生幻覺的事件來增加訓(xùn)練數(shù)據(jù)，從而減少學(xué)習(xí)優(yōu)秀策略所必需的經(jīng)驗的數(shù)量。然而，并不能保證預(yù)期的狀態(tài)會通向目標，所以這些轉(zhuǎn)出結(jié)果可能是不充分的。

預(yù)測一個行為的結(jié)果的能力并不一定能提供指導(dǎo)，告訴我們哪些行為會通向目標。與此相反，F(xiàn)BRL采用了一種更有指導(dǎo)性的方法，它給定了一個精確的模型，我們相信，每一個處于反向步驟中的狀態(tài)都有通向目標的路徑。

Gridworld中的實驗結(jié)果，其中n =5、10、15、20。我們分別使用50、100、150、200步的固定水平，結(jié)果是10次實驗的平均值。

相關(guān)研究

當(dāng)我們訪問真正的動態(tài)模型時，可以使用純粹基于模型的方法（如動態(tài)編程）來計算所有狀態(tài)的值（Sutton和Barto于1998年提出），盡管當(dāng)狀態(tài)空間較大或連續(xù)時，難以在整個狀態(tài)空間中進行迭代。Q-Learning是一種無模型方法，它通過直接訪問狀態(tài)以在線方式更新值，而函數(shù)逼近技術(shù)（如Deep Q-Learning）可以泛化到未見的數(shù)據(jù)中（Mnih等人于2015年提出）。

基于模型和無模型信息的混合方法也可以使用。例如，DYNA-Q（Sutton于1990年提出）是一種早期的方法，它使用想象的轉(zhuǎn)出出來更新Q值，就如同在真實環(huán)境中經(jīng)歷過一樣。最近出現(xiàn)了更多方法，例如NAF（Gu等人于2016年提出）和I2A（Weber等人于2017年提出）。但這些方法只使用正向的想象力。

與我們自己的方法相似的方法是反向的值迭代（Zang等人于2007年提出），但這是一種純粹基于模型的方法，并且它不學(xué)習(xí)反向模型。一個相關(guān)的方法從一開始就實現(xiàn)雙向搜索和目標（Baldassarre于2003年提出），但這項研究只是學(xué)習(xí)值，而我們的目標是學(xué)習(xí)行動和值。

另一項相似的研究是通過使用接近目標狀態(tài)的反向課程來解決問題（Florensa等人于2017年提出）。但是，該方法假設(shè)智能體可以在目標附近得以初始化。我們不做這個假設(shè)，因為了解目標狀態(tài)并不意味著我們知道該如何達到這一狀態(tài)。

漢諾塔中的實驗結(jié)果，其中n = 2、3。我們分別使用50、100步的固定水平。 結(jié)果是10次試驗的平均值。

許多研究通過使用域知識來幫助加速學(xué)習(xí)，例如獎勵塑造（Ng等人于1999年提出）。另一種方法是更有效地利用回放緩沖區(qū)中的經(jīng)驗。優(yōu)先經(jīng)驗復(fù)現(xiàn)（Schaul等人于2015年提出）旨在回放具有高TD誤差的樣本。事后經(jīng)驗回放（Hindsight experience replay）將環(huán)境中的每個狀態(tài)視為一個潛在目標，這樣即使系統(tǒng)無法達到所需的目標，也可以進行學(xué)習(xí)。

使用反向動力學(xué)的概念類似于動力學(xué)逆過程（Agrawal等人于2016年，Pathak等人于2017年提出）。在這些方法中，系統(tǒng)預(yù)測在兩個狀態(tài)之間產(chǎn)生轉(zhuǎn)換的動態(tài)。我們的方法是利用狀態(tài)和動作來預(yù)測前一個狀態(tài)。此函數(shù)的目的是進行反向操作，并使用此分解來學(xué)習(xí)靠近目標的值。

本文中，我們介紹了一種加速學(xué)習(xí)具有稀缺獎勵問題的方法。我們介紹了FBRL，它從目標的反向過程中得到了想象步驟。我們證明了該方法在Gridworld和諾塔中的性能表現(xiàn)優(yōu)于DDQN。這項研究有多個擴展方向。

我們對于評估一個反向計劃方法很感興趣，但我們也可以運用正向和反向的想象力進行訓(xùn)練。另一項進步是改善規(guī)劃策略。我們使用了一種具有探索性和貪婪性的方法，但沒有評估如何在兩者之間進行權(quán)衡。我們可以使用優(yōu)先掃描（Moore和Atkeson等人于1993年提出），它選擇那些能夠?qū)е戮哂懈逿D誤差狀態(tài)的行為。