Google AI 與 DeepMind 合作推出深度規(guī)劃網(wǎng)絡(luò) (PlaNet)，這是一個純粹基于模型的智能體，能從圖像輸入中學(xué)習(xí)世界模型，完成多項規(guī)劃任務(wù)，數(shù)據(jù)效率平均提升50倍，強化學(xué)習(xí)又一突破。

通過強化學(xué)習(xí) (RL)，對 AI 智能體如何隨著時間的推移提高決策能力的研究進展迅速。

對于強化學(xué)習(xí)，智能體在選擇動作 (例如，運動命令) 時會觀察一系列感官輸入(例如，相機圖像)，并且有時會因為達成指定目標(biāo)而獲得獎勵。

RL 的無模型方法 (Model-free) 旨在通過感官觀察直接預(yù)測良好的行為，這種方法使 DeepMind 的 DQN 能夠玩雅達利游戲，使其他智能體能夠控制機器人。

然而，這是一種黑盒方法，通常需要經(jīng)過數(shù)周的模擬交互才能通過反復(fù)試驗來學(xué)習(xí)，這限制了它在實踐中的有效性。

相反，基于模型的 RL 方法 (Model-basedRL) 試圖讓智能體了解整個世界的行為。這種方法不是直接將觀察結(jié)果映射到行動，而是允許 agent 明確地提前計劃，通過 “想象” 其長期結(jié)果來更仔細地選擇行動。

Model-based 的方法已經(jīng)取得了巨大的成功，包括 AlphaGo，它設(shè)想在已知游戲規(guī)則的虛擬棋盤上進行一系列的移動。然而，要在未知環(huán)境中利用規(guī)劃(例如僅將像素作為輸入來控制機器人)，智能體必須從經(jīng)驗中學(xué)習(xí)規(guī)則或動態(tài)。

由于這種動態(tài)模型原則上允許更高的效率和自然的多任務(wù)學(xué)習(xí)，因此創(chuàng)建足夠精確的模型以成功地進行規(guī)劃是 RL 的長期目標(biāo)。

為了推動這項研究挑戰(zhàn)的進展，Google AI 與 DeepMind 合作，提出了深度規(guī)劃網(wǎng)絡(luò) (Deep Planning Network, PlaNet)，該智能體僅從圖像輸入中學(xué)習(xí)世界模型 (world model)，并成功地利用它進行規(guī)劃。

PlaNet 解決了各種基于圖像的控制任務(wù)，在最終性能上可與先進的 model-free agent 競爭，同時平均數(shù)據(jù)效率提高了 5000%。研究團隊將發(fā)布源代碼供研究社區(qū)使用。

在 2000 次的嘗試中，PlaNet 智能體學(xué)習(xí)解決了各種連續(xù)控制任務(wù)。以前的沒有學(xué)習(xí)環(huán)境模型的智能體通常需要多 50 倍的嘗試次數(shù)才能達到類似的性能。

PlaNet 的工作原理

簡而言之，PlaNet 學(xué)習(xí)了給定圖像輸入的動態(tài)模型 (dynamics model)，并有效地利用該模型進行規(guī)劃，以收集新的經(jīng)驗。

與以前的圖像規(guī)劃方法不同，我們依賴于隱藏狀態(tài)或潛在狀態(tài)的緊湊序列。這被稱為latent dynamics model：我們不是直接從一個圖像到下一個圖像地預(yù)測，而是預(yù)測未來的潛在狀態(tài)。然后從相應(yīng)的潛在狀態(tài)生成每一步的圖像和獎勵。

通過這種方式壓縮圖像，agent 可以自動學(xué)習(xí)更抽象的表示，例如對象的位置和速度，這樣就可以更容易地向前預(yù)測，而不需要沿途生成圖像。

Learned Latent Dynamics Model：在 latent dynamics 模型中，利用編碼器網(wǎng)絡(luò)(灰色梯形) 將輸入圖像的信息集成到隱藏狀態(tài)(綠色) 中。然后將隱藏狀態(tài)向前投影，以預(yù)測未來的圖像(藍色梯形) 和獎勵(藍色矩形)。

為了學(xué)習(xí)一個精確的 latent dynamics 模型，我們提出了：

循環(huán)狀態(tài)空間模型 (Recurrent State Space Model)：一種具有確定性和隨機性成分的 latent dynamics 模型，允許根據(jù)魯棒規(guī)劃的需要預(yù)測各種可能的未來，同時記住多個時間步長的信息。我們的實驗表明這兩個組件對于提高規(guī)劃性能是至關(guān)重要的。

潛在超調(diào)目標(biāo) (Latent Overshooting Objective)：我們通過在潛在空間中強制 one-step 和 multi-step 預(yù)測之間的一致性，將 latent dynamics 模型的標(biāo)準(zhǔn)訓(xùn)練目標(biāo)推廣到訓(xùn)練多步預(yù)測。這產(chǎn)生了一個快速和有效的目標(biāo)，可以改善長期預(yù)測，并與任何潛在序列模型兼容。

雖然預(yù)測未來的圖像允許我們教授模型，但編碼和解碼圖像 (上圖中的梯形) 需要大量的計算，這會減慢智能體的 planning 過程。然而，在緊湊的潛在狀態(tài)空間中進行 planning 是很快的，因為我們只需要預(yù)測未來的 rewards 來評估一個動作序列，而不是預(yù)測圖像。

例如，智能體可以想象球的位置和它到目標(biāo)的距離在特定的動作中將如何變化，而不需要可視化場景。這允許我們在每次智能體選擇一個動作時，將 10000 個想象的動作序列與一個大的 batch size 進行比較。然后執(zhí)行找到的最佳序列的第一個動作，并在下一步重新規(guī)劃。

在潛在空間中進行規(guī)劃：為了進行規(guī)劃，我們將過去的圖像 (灰色梯形) 編碼為當(dāng)前的隱藏狀態(tài) (綠色)。這樣，我們可以有效地預(yù)測多個動作序列的未來獎勵。請注意，上圖中昂貴的圖像解碼器 (藍色梯形) 已經(jīng)消失了。然后，執(zhí)行找到的最佳序列的第一個操作 (紅色框)。

與我們之前關(guān)于世界模型的工作 (https://worldmodels.github.io/) 相比，PlaNet 在沒有策略網(wǎng)絡(luò)的情況下工作 —— 它純粹通過 planning 來選擇行動，因此它可以從模型當(dāng)下的改進中獲益。有關(guān)技術(shù)細節(jié)，請參閱我們的研究論文。

PlaNet vs. Model-Free 方法

我們在連續(xù)控制任務(wù)上評估了 PlaNet。智能體只被輸入圖像觀察和獎勵。我們考慮了具有各種不同挑戰(zhàn)的任務(wù)：

側(cè)手翻任務(wù)：帶有一個固定的攝像頭，這樣推車可以移動到視線之外。因此，智能體必須吸收并記住多個幀的信息。

手指旋轉(zhuǎn)任務(wù)：需要預(yù)測兩個單獨的對象，以及它們之間的交互。

獵豹跑步任務(wù)：包括難以準(zhǔn)確預(yù)測的地面接觸，要求模型預(yù)測多個可能的未來。

杯子接球任務(wù)：它只在球被接住時提供一個稀疏的獎勵信號。這要求準(zhǔn)確預(yù)測很遠的未來，并規(guī)劃一個精確的動作序列。

走路任務(wù)：模擬機器人一開始是躺在地上，然后它必須先學(xué)會站立，再學(xué)習(xí)行走。

PlaNet 智能體接受了各種基于圖像的控制任務(wù)的訓(xùn)練。動圖顯示了當(dāng)智能體解決任務(wù)時輸入的圖像。這些任務(wù)提出了不同的挑戰(zhàn)：部分可觀察性、與地面的接觸、接球的稀疏獎勵，以及控制一個具有挑戰(zhàn)性的雙足機器人。

這一研究是第一個使用學(xué)習(xí)模型進行規(guī)劃，并在基于圖像的任務(wù)上優(yōu)于 model-free 方法的案例。

下表將PlaNet與著名的A3C 智能體和 D4PG 智能體進行了比較，后者結(jié)合了 model-free RL 的最新進展。這些基線數(shù)據(jù)來自 DeepMind 控制套件。PlaNet 在所有任務(wù)上都明顯優(yōu)于 A3C，最終性能接近 D4PG，同時與環(huán)境的交互平均減少了 5000%。

所有任務(wù)只需要一個智能體

此外，我們只訓(xùn)練了一個單一的 PlaNet 智能體來解決所有六個任務(wù)。

在不知道任務(wù)的情況下，智能體被隨機放置在不同的環(huán)境中，因此它需要通過觀察圖像來推斷任務(wù)。

在不改變超參數(shù)的情況下，多任務(wù)智能體實現(xiàn)了與單個智能體相同的平均性能。雖然在側(cè)手翻任務(wù)中學(xué)習(xí)速度較慢，但在需要探索的具有挑戰(zhàn)性的步行任務(wù)中，它的學(xué)習(xí)速度要快得多，最終表現(xiàn)也更好。

在多個任務(wù)上訓(xùn)練的 PlaNet 智能體。智能體觀察前 5 個幀作為上下文以推斷任務(wù)和狀態(tài)，并在給定動作序列的情況下提前準(zhǔn)確地預(yù)測 50 個步驟。

結(jié)論

我們的結(jié)果展示了構(gòu)建自主 RL 智能體的學(xué)習(xí)動態(tài)模型的前景。我們鼓勵進一步的研究，集中在學(xué)習(xí)更困難的任務(wù)的精確動態(tài)模型，如三維環(huán)境和真實的機器人任務(wù)。擴大規(guī)模的一個可能因素是 TPU 的處理能力。我們對 model-based 強化學(xué)習(xí)帶來的可能性感到興奮，包括多任務(wù)學(xué)習(xí)、分層規(guī)劃和使用不確定性估計的主動探索。