【强化学习】GAIL生成对抗模仿学习详解《Generative adversarial imitation learning》

大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺

前文是一些针对IRL，IL综述性的解释，后文是针对《Generative adversarial imitation learning》文章的理解及公式的推导。

1. 通过深度强化学习，我们能够让机器人针对一个任务实现从0到1的学习，但是需要我们定义出reward函数，在很多复杂任务，例如无人驾驶中，很难根据状态特征来建立一个科学合理的reward。
2. 人类学习新东西有一个重要的方法就是模仿学习，通过观察别人的动作来模仿学习，不需要知道任务的reward函数。模仿学习就是希望机器能够通过观察模仿专家的行为来进行学习。
3. OpenAI，DeepMind，Google Brain目前都在向这方面发展。

[1] Model-Free Imitation Learning with Policy Optimization, OpenAI, 2016

[2] Generative Adversarial Imitation Learning, OpenAI, 2016

[3] One-Shot Imitation Learning, OpenAI, 2017

[4] Third-Person Imitation Learning, OpenAI, 2017

[5] Learning human behaviors from motion capture by adversarial imitation, DeepMind, 2017

[6] Robust Imitation of Diverse Behaviors, DeepMind, 2017

[7] Unsupervised Perceptual Rewards for Imitation Learning, Google Brain, 2017

[8] Time-Contrastive Networks: Self-Supervised Learning from Multi-View Observation, Google Brain, 2017

[9] Imitation from Observation/ Learning to Imitate Behaviors from Raw Video via Context Translation, OpenAI, 2017

[10] One Shot Visual Imitation Learning, OpenAI, 2017

模仿学习

1. 从给定的专家轨迹中进行学习。
2. 机器在学习过程中能够跟环境交互，到那时不能直接获得reward。
3. 在任务中很难定义合理的reward（自动驾驶中撞人reward，撞车reward，红绿灯reward），人工定义的reward可能会导致失控行为（让agent考试，目标为考100分，但是reward可能通过作弊的方式）。
4. 三种方法：
   a. 行为克隆（Behavior Cloning）
   b. 逆向强化学习（Inverse Reinforcement Learning）
   c. GAN引入IL（Generative Adversarial Imitation Learning）
5. 行为克隆
   有监督的学习，通过大量数据，学习一个状态s到动作a的映射。
   
   但是专家轨迹给定的数据集是有限的，无法覆盖所有可能的情况。如果更换数据集可能效果会不好。则只能不断增加训练数据集，尽量覆盖所有可能发生的状态。但是并不实际，在很多危险状态采集数据成本非常高。
6. 逆向强化学习
   RL是通过agent不断与environment交互获取reward来进行策略的调整，最终得到一个optimal policy。但IRL计算量较大，在每一个内循环中都跑了一遍RL算法。
   
   IRL不同之处在于，无法获取真实的reward函数，但是具有根据专家策略得到的一系列轨迹。假设专家策略是真实reward函数下的最优策略，IRL学习专家轨迹，反推出reward函数。
   
   得到复原的reward函数后，再进行策略函数的估计。
   RL算法：
   
   IRL算法：
   
   在给定的专家策略后（expert policy），不断寻找reward function来使专家策略是最优的。（解释专家行为，explaining expert behaviors）。具体流程图如下：
   
7. 生成对抗模仿学习（GAN for Imitation Learning）
   我们可以假设专家轨迹是属于某一分布（distribution），我们想让我们的模型也去预测一个分布，并且使这两个分布尽可能的接近。
   
   算法流程如下：
   
   Discriminator：尽可能的区分轨迹是由expert生成还是Generator生成。
   
   Generator(Actor)：产生出一个轨迹，使其与专家轨迹尽可能相近，使Discriminator无法区分轨迹是expert生成的还是Generator生成的。
   
   其算法可以写为：
   

生成对抗模仿学习（Generative Adversarial Imitation Learning）

GAIL能够直接从专家轨迹中学得策略，绕过很多IRL的中间步骤。

逆向强化学习（IRL）

假定cost function的集合为$\mathcal{C}$，${\pi }_E$为专家策略。带有正则化项$\psi$最大熵逆向强化学习是想找到一个cost function似的专家策略的效果优于其余所有策略（cost越小越优）:
$${\mathrm{I}\mathrm{R}\mathrm{L}}_{\psi }({\pi }_{\mathrm{E}})=\arg \mathrm{m}\mathrm{a}{\mathrm{x}}_{\mathrm{c}\in \mathcal{C}}-\psi (\mathrm{c})+(\underset{\pi \in \mathrm{\Pi }}{\min }-H(\pi )+{\mathbb{E}}_{\pi }[c(s,a)])-{\mathbb{E}}_{{\pi }_E}[c(s,a)]$$
其中${\mathbb{E}}_{\pi }[c(s,a)]=\mathbb{E}[\sum _{t=0}^{\infty }{\gamma }^{t}c(s_t,a_t)]$ ，$H(\pi )={\mathbb{E}}_{\pi }[-\log \pi (a|s)]$是一个$\gamma$折扣累积熵。IRL过程中包含一个RL过程：
$$\mathrm{R}\mathrm{L}(\mathrm{c})=\arg \mathrm{m}\mathrm{i}{\mathrm{n}}_{\pi \in \mathrm{\Pi }}-H(\pi )+{\mathbb{E}}_{\pi }[c(s,a)]$$

Defination 1.

对于一个策略$\pi$，定义其占用率度量（occupancy measure）${\rho }_{\pi }:\mathcal{S}\times \mathcal{A}\to \mathbb{R}$为
$${\rho }_{\pi }(s,a)=\pi (a|s)\sum _{t=0}^{\infty }{\gamma }^{t}P(s_t=s|\pi )$$
占用率度量可以近似看做是使用策略$\pi$时，状态-动作对的分布。$\mathcal{D}$是有效的占用率度量的集合。
[1] U. Syed, M. Bowling, and R. E. Schapire. Apprenticeship learning using linear programming. In
Proceedings of the 25th International Conference on Machine Learning, pages 1032–1039, 2008. 证明$\pi \in \Pi$与$\rho \in \mathcal{D}$是一一对应关系。

Lemma 3.1.

若$\rho \in \mathcal{D}$，则$\rho$是策略${\pi }_{\rho }=\rho (s,a)/\sum _{a^{\prime }}\rho (s,a^{\prime })$的占用率度量，并且${\pi }_{\rho }$是唯一的。

根据Definition 1，可以将$\gamma$折累计代价写为
$${\mathbb{E}}_{\pi }[c(s,a)]=\sum _{s,a}{\rho }_{\pi }(s,a)c(s,a)$$

Lemma 3.2.

若$H(\pi )={\mathbb{E}}_{\pi }[-\log \pi (a|s)]$,$\overline{H}(\rho )=-\sum _{s,a}\rho (s,a)\log (\rho (s,a)/{\sum }_{a^{\prime }}\rho (s,a^{\prime }))$。可知$\overline{H}$是强凹的，并且对于任意$\pi \in \Pi ,\rho \in \mathcal{D}$，可得$H(\pi )=\overline{H}({\rho }_{\pi })$和$H({\pi }_{\rho })=\overline{H}({\rho }_{)}$。

Lemma 3.3.

若$L(\pi ,c)=-H(\pi )+{\mathbb{E}}_{\pi }[c(s,a)]$,$\overline{L}(\rho ,c)=-\overline{H}(\rho )+{\sum }_{s,a}\rho (s,a)c(s,a)$。对于所有的代价函数$c$，如下成立：
1.对于任意$\pi \in \Pi$,$L(\pi ,c)=\overline{L}({\rho }_{\pi },c)$.
2.对于任意$\rho \in \mathcal{D}$,$L({\pi }_{\rho },c)=\overline{L}(\rho ,c)$

Definition 2

对于一个方程$f:{\mathbb{R}}^{\mathcal{R}\times \mathcal{A}}\to \overline{\mathbb{R}}$，其凸共轭$f^{\ast }:{\mathbb{R}}^{\mathcal{R}\times \mathcal{A}}\to \overline{\mathbb{R}}$定义为$f^{\ast }(x)={\sup }_{y\in {\mathbb{R}}^{\mathcal{S}\times \mathcal{A}}}{x}^{T}y-f(y)$.

Proposition 1

$RL(\widetilde c) $是利用IRL恢复的cost，通过RL学得的policy。可得
$$RL\circ IR{L}_{\psi }({\pi }_E)=argmi{n}_{\pi \in \Pi }-H(\pi )+{\psi }^{\ast }({\rho }_{\pi }-{\rho }_{{\pi }_E})$$
上述表明，$\psi$正则化逆向强化学习就只隐性的找到policy，该policy的占用率度量(occupancy measure)逼近专家策略的占用率度量，使用凸函数${\psi }^{\ast }$来衡量占用率度量的差异。
通过上式可得，最优代价函数（cost function）与学得的policy可以组成上式的一个鞍点，IRL寻找鞍点的一个坐标维度，RL根据IRL的结果寻找鞍点坐标的另一个维度。$(c,\pi )$为一个鞍点。
可得，不同的正则化函数$\psi$构成不同的模仿学习算法，可以直接求解上式得到$(c,\pi )$。

在本文中将会主要介绍三种不同的正则化函数：恒定正则化函数，示性正则化函数，生成对抗正则化函数（GA）

Corollary 1

若$\psi$是一个恒定值，$\tilde{c}\in IR{L}_{\psi }({\pi }_E)$并且$\tilde{\pi }\in RL(\tilde{c})$，则${\rho }_{\tilde{\pi }}={\rho }_{{\pi }_E}$.

• 若没有正则化项，则RL得到的policy将会精确匹配专家policy
• 但该算法无法应用于实际系统中，因为实际系统的环境非常大，计算复杂。
  若正则化项为一个恒定值，则只能学习到专家轨迹中采样到的状态动作对，但是在大规模环境中，专家轨迹有限无法探索到所有的状态动作对，因此学得的policy几乎不会涉及到未出现过的状态动作对。

示性正则化学徒学习

学徒算法是想要找到一个policy并且比专家policy效果在学得的cost function $\mathcal{C}$情况下更好，通过解如下方程：
$$\underset{\pi }{\min }\underset{c\in \mathcal{C}}{\max }{\mathbb{E}}_{\pi }[c(s,a)]-{\mathbb{E}}_{{\pi }_E}[c(s,a)]$$
$\mathcal{C}$是一个有约束的凸集，是由一系列基础方程$f_1,f_2,\dots ,f_d$的线性组合而成。 Abbeel 和 Ng使用 C l i n e a r = { ∑ i w i f i : ∥ w ∥ 2 ≤ 1 } \mathcal C_{linear} = \{ \sum_i w_if_i:\|w\|_2\le1\} Clinear​={
∑i​wi​fi​:∥w∥2​≤1}，Syde使用 C c o n v e x = { ∑ i w i f i : ∑ i w i = 1 , w i ≥ 0 ∀ i } \mathcal C_{convex}=\{ \sum_i w_if_i:\sum_iw_i=1,w_i\ge 0 \forall i\} Cconvex​={
∑i​wi​fi​:∑i​wi​=1,wi​≥0∀i}.

对于示性函数${\delta }_c:{\mathbb{R}}^{\mathcal{S}\times \mathcal{A}}\to \overline{\mathbb{R}}$，定义如下
$${\delta }_{\mathcal{C}}(c)=\{\begin{array}{lr}0,& c\in \mathcal{C}\\ +\infty ,& otherwise\end{array}$$
学徒学习的目标函数可以化为
$$\begin{array}{rl}& \underset{c\in \mathcal{C}}{\max }{\mathbb{E}}_{\pi }[c(s,a)]-{\mathbb{E}}_{{\pi }_E}[c(s,a)]\\ & =\underset{c\in \mathcal{C}}{\max }-{\delta }_{\mathcal{C}}(c)+\sum _{s,a}({\rho }_{\pi }(s,a)-{\rho }_{{\pi }_E}(s,a))c(s,a)\\ & ={\delta }_{\mathcal{C}}^{\ast }({\rho }_{\pi }-{\rho }_{{\pi }_E})\end{array}$$
无法精确匹配专家经验的占用率度量。

熵-正则化学徒学习

$$\underset{\pi }{\min }-H(\pi )+\underset{c\in \mathcal{C}}{\max }{\mathbb{E}}_{\pi }[c(s,a)]-{\mathbb{E}}_{{\pi }_E}[c(s,a)]=\underset{\pi }{\min }-H(\pi )+{\delta }_{\mathcal{C}}^{\ast }({\rho }_{\pi }-{\rho }_{{\pi }_E})$$
熵-正则化学徒学习等价于在有示性函数$\psi ={\delta }_{\mathcal{C}}$的IRL后运行RL。

GA正则化

$$\begin{gathered} {\psi }_{GA}(c)=\{\begin{array}{lr}{\mathbb{E}}_{{\pi }_E}[g(c(s,a))],& c<0\\ +\infty ,& otherwise\end{array} \\ g(x)=\{\begin{array}{lr}-x-\log (1-e^x),& x<0\\ 0,& otherwise\end{array} \end{gathered}$$

• ${\psi }_{GA}$是一个针对专家数据求期望的函数，因此可以适用于任意专家数据集。
• 不像${\delta }_{\mathcal{C}}$将cost function约束在小的子空间中。${\psi }_{GA}$允许任意的cost function只要是负数空间中。

选择${\psi }_{GA}$的目的是因为其具有一个非常优秀的凸共轭函数，如下
$${\psi }_{GA}^{\ast }({\rho }_{\pi }-{\rho }_{{\pi }_E})=\underset{D\in (0,1{)}^{\mathcal{S}\times \mathcal{A}}}{\max }{\mathbb{E}}_{{\pi }_E}[\log (D(s,a))]+{\mathbb{E}}_{\pi }[\log (1-D(s,a))]$$
上式等价于一个对数损失函数来区分$\pi$与${\pi }_E$。这个最优损失等价于Jensen-Shannon散度
$$D_{JS}({\rho }_{\pi },{\rho }_{{\pi }_E})=D_{KL}({\rho }_{\pi }\Vert ({\rho }_{\pi }-{\rho }_{{\pi }_E})/2)+D_{KL}({\rho }_{{\pi }_E}\Vert ({\rho }_E+{\rho }_{{\pi }_E})/2)$$
则有如下等价关系
$$\begin{gathered} \underset{\pi }{\min }{\psi }_{GA}^{\ast }({\rho }_{\pi }-{\rho }_{{\pi }_E})-\lambda H(\pi )⟺ \\ \underset{\pi }{\min }\underset{D}{\max }{\mathbb{E}}_{{\pi }_E}[\log (D(s,a))]+{\mathbb{E}}_{\pi }[\log (1-D(s,a)]-\lambda H(\pi )⟺ \\ \underset{\pi }{\min }{D}_{JS}({\rho }_{\pi },{\rho }_{{\pi }_E})-\lambda H(\pi ) \end{gathered}$$
找到一个policy，其占用率度量（occupancy measure）能够最小化与专家经验的Jensen-Shannon散度。

生成对抗网络

$$\underset{G}{\min }\underset{D}{\max }{\mathbb{E}}_{x\sim P_{data}(x)}[\log D(x)]+{\mathbb{E}}_{z\sim P_z(z)}[\log (1-D(G(z)))]$$
D的任务是区分G生成的数据与真实数据。

• 学习到的policy的占用率度量${\rho }_{\pi }$类比于G生成的数据分布。
• 专家经验的占用率度量${\rho }_{{\pi }_E}$类比于真实数据分布。

GAIL算法

• 期望找到如下式的鞍点$(\pi ,D)$
  $${\mathbb{E}}_{{\pi }_E}[\log (D(s,a))]+{\mathbb{E}}_{\pi }[\log (1-D(s,a))]-\lambda H(\pi )$$
• ${\pi }_{\theta }$是一个参数化的policy，$\theta$为权重。$D_{\omega }$是一个参数化的鉴别器，权重为$\omega$。
• 对$\omega$使用Adam梯度算法，从而使上式上升。
• 对$\theta$使用TRPO算法，从而使上式下降。
• TPRO能够保证${\pi }_{{\theta }_{i+1}}$不远离${\pi }_{{\theta }_i}$