近年來強(qiáng)化學(xué)習(xí)的高速發(fā)展已經(jīng)證明監(jiān)督強(qiáng)化學(xué)習(xí)可以在真實(shí)世界中處理包括任意物體的抓取、靈巧的運(yùn)動(dòng)等復(fù)雜的任務(wù)。然而利用精心設(shè)計(jì)的獎(jiǎng)勵(lì)函數(shù)來教會智能體進(jìn)行復(fù)雜的行為卻面臨著顯著的局限性，一方面在設(shè)計(jì)損失函數(shù)上需要大量的工程性工作，對于大量任務(wù)來說幾乎是不可能的。另一方面針對真實(shí)環(huán)境設(shè)計(jì)獎(jiǎng)勵(lì)，其復(fù)雜性不僅來自于獎(jiǎng)勵(lì)函數(shù)本身，同時(shí)還需要一系列的環(huán)境基礎(chǔ)設(shè)施（額外的傳感器）或手工標(biāo)注的目標(biāo)狀態(tài)來進(jìn)行輔助。這種獎(jiǎng)勵(lì)函數(shù)工程方式顯示了智能體學(xué)習(xí)復(fù)雜行為的過程，而無監(jiān)督學(xué)習(xí)的出現(xiàn)為這一問題提供了潛在的解決思路。

在監(jiān)督強(qiáng)化學(xué)習(xí)中，來自環(huán)境的外部獎(jiǎng)勵(lì)將引導(dǎo)智能體學(xué)習(xí)期待的行為，強(qiáng)化對環(huán)境進(jìn)行期待的行為改造。而在非監(jiān)督強(qiáng)化學(xué)習(xí)中，整體則利用內(nèi)在的獎(jiǎng)勵(lì)函數(shù)（例如嘗試環(huán)境中不同事物的好奇心）來生成訓(xùn)練信號，從而可以獲得更為廣泛的任務(wù)無關(guān)的技能行為。內(nèi)部獎(jiǎng)勵(lì)函數(shù)可以繞過外部獎(jiǎng)勵(lì)函數(shù)特有的工程問題，在無需額外設(shè)計(jì)的情況下適用于更廣泛更通用的任務(wù)上去。雖然已經(jīng)有很多研究人員聚焦于實(shí)現(xiàn)非監(jiān)督強(qiáng)化學(xué)習(xí)的不同手段，但這是一個(gè)嚴(yán)重欠約束的問題，沒有環(huán)境獎(jiǎng)勵(lì)函數(shù)的引導(dǎo)是很難學(xué)習(xí)到有用的行為的。那么主體和環(huán)境間交互的有效特性是否可以幫助發(fā)現(xiàn)更好的行為（技能）呢？

這篇文章中將介紹關(guān)于非監(jiān)督強(qiáng)化學(xué)習(xí)的最新研究。在DADS（Dynamics－Aware Unsupervised Discovery of Skills）方法中為非監(jiān)督學(xué)習(xí)引入了可預(yù)測的優(yōu)化目標(biāo)，將技能的基礎(chǔ)特性視為可以對環(huán)境帶來可預(yù)測的改變，基于這一觀點(diǎn)開發(fā)出了非監(jiān)督強(qiáng)化學(xué)習(xí)技能發(fā)現(xiàn)算法，并在模擬實(shí)驗(yàn)中展示了其廣泛適應(yīng)性。隨后研究人員還改進(jìn)了樣本效率，展示了非監(jiān)督技能發(fā)現(xiàn)對于真實(shí)世界的可行性。

左圖表示隨機(jī)不可預(yù)測的行為，右圖描述了在可預(yù)測環(huán)境中的系統(tǒng)性運(yùn)動(dòng)。本研究的目標(biāo)在于學(xué)習(xí)像右圖一樣潛在的有用行為而無需獎(jiǎng)勵(lì)函數(shù)工程。

DADS概覽

DADS設(shè)計(jì)了一個(gè)內(nèi)部獎(jiǎng)勵(lì)函數(shù)來鼓勵(lì)主體發(fā)現(xiàn)可預(yù)測、多樣性的技能。在以下三種情況下內(nèi)部獎(jiǎng)勵(lì)函數(shù)值很高：（a）．不同技能對于環(huán)境的改變不同（鼓勵(lì)多樣性）；（b）．給定技能在環(huán)境的造成的改變是可預(yù)測的（可預(yù)測性）。由于DADS無法從環(huán)境中獲取任何獎(jiǎng)勵(lì)，技能優(yōu)化的多樣性可以使得智能體抓住盡可能多的潛在有效行為。

為了判斷技能是否具有可預(yù)測性，文章中又訓(xùn)練技能動(dòng)力學(xué)網(wǎng)絡(luò)，在給定當(dāng)前狀態(tài)和執(zhí)行技能后來預(yù)測環(huán)境狀態(tài)的改變。技能動(dòng)力學(xué)網(wǎng)絡(luò)對于環(huán)境狀態(tài)的預(yù)測越好，對于技能就越是可預(yù)測的。DADS定義的內(nèi)部獎(jiǎng)勵(lì)可以利用任何傳統(tǒng)的強(qiáng)化學(xué)習(xí)算法來最大化。

DADS的概覽圖

這套算法使得多個(gè)不同的主體可以通過與環(huán)境純粹的無獎(jiǎng)勵(lì)交互來發(fā)現(xiàn)可預(yù)測的技能。DADS與先前的算法不同，可以拓展到高維度的連續(xù)控制環(huán)境中，例如人形機(jī)器人、模擬雙足機(jī)器人等。由于DADS可適應(yīng)多種環(huán)境，可用于在方向性的環(huán)境中定位、操控和運(yùn)動(dòng)。下圖展示了一些實(shí)驗(yàn)中的例子。

旋轉(zhuǎn)跳躍、人形仿真的不同步態(tài)、旋轉(zhuǎn)目標(biāo)的不同方法。