強化學(xué)習(xí)可以解決什么問題？

這張圖是2016年引起熱議人工智能的AlphaGo事件，AlphaGo打敗了圍棋世界冠軍李世石。AlphaGo作為一個智能體，就使用了深度強化學(xué)習(xí)技術(shù)進行了訓(xùn)練。在這一場景中，狀態(tài)就是每一時刻的棋盤，行為就是下棋的動作，而評價系統(tǒng)會根據(jù)每一步棋的價值返回獎勵。完成訓(xùn)練的AlphaGo在與李世石的比賽中，根據(jù)當(dāng)前的棋盤選擇最優(yōu)的行為“下一步棋”，最終擊敗了李世石，這就是強化學(xué)習(xí)的一個具體應(yīng)用。

智能體在不斷與環(huán)境交互的過程中，會保留上次學(xué)習(xí)過的經(jīng)驗，下一輪與環(huán)境交互時，會選擇獎勵更大的行為，一般用來解決“智能體與環(huán)境交互時通過決策選擇最好的行為”的這一類問題。

具體到現(xiàn)在的應(yīng)用場景很廣泛：

工業(yè)應(yīng)用：機器人作業(yè)；

金融貿(mào)易應(yīng)用：預(yù)測未來銷售額、預(yù)測股價等；

自然語言處理（NLP）應(yīng)用：文本摘要、自動問答、機器翻譯等；

醫(yī)療保健應(yīng)用：提供治療策略；

工程中的應(yīng)用：數(shù)據(jù)處理、模型訓(xùn)練；

推薦系統(tǒng)中的應(yīng)用：新聞推薦、時尚推薦等；

游戲中的應(yīng)用：AlphaGo、AlphaZero等；

廣告營銷中的應(yīng)用：實時競價策略；

機器人控制中的應(yīng)用：機械臂抓取物體等。

強化學(xué)習(xí)在無人機項目中的應(yīng)用

強化學(xué)習(xí)在無人機項目中的應(yīng)用越來越廣泛，以下簡單介紹下深蘭科學(xué)院目前對該項目的研究內(nèi)容：簡單的軌跡規(guī)劃，以及當(dāng)前主流的兩個研究方向：軌跡規(guī)劃、運輸懸掛。后續(xù)團隊的目標也是基于當(dāng)前項目，進行這兩個主流方向的研究。

1、簡單軌跡規(guī)劃

本項目研究的是無人機圓周軌跡運動規(guī)劃。在這一簡單任務(wù)中，需要讓無人機飛到指定位置懸停，然后一直做圓周運動。簡單分析這一任務(wù)，智能體就是無人機，行為就是對無人機的旋翼發(fā)出操作指令，狀態(tài)就是當(dāng)前無人機所處的位置以及無人機的性能，獎勵則是根據(jù)無人機是否沿著圓周運動的軌跡判斷。

具體到深度強化學(xué)習(xí)的框架，采用的是on－policy的PPO框架，之后也會用off－policy的DDPG、SAC框架進行比對效果。

2、復(fù)雜軌跡規(guī)劃

在許多機器人任務(wù)中，如無人機比賽，其目標是盡可能快地穿越一組路徑點。這項任務(wù)的一個關(guān)鍵挑戰(zhàn)是規(guī)劃最小時間軌跡，這通常通過假設(shè)路徑點的完美知識來解決。這樣所得到的解決方案要么高度專用于單軌道布局，要么由于簡化平臺動力學(xué)假設(shè)而次優(yōu)，方案不具有可擴展性。

視頻是使用深度強化學(xué)習(xí)和相對門觀察的方法，自適應(yīng)地進行隨機軌道布局的效果展示，與傳統(tǒng)的假設(shè)路徑點軌道方法相比，基于軌跡優(yōu)化的方法顯示出了顯著的優(yōu)勢。在仿真環(huán)境和現(xiàn)實世界中的一組軌道上進行了評估，使用真實四旋翼無人機實現(xiàn)了高達17米／秒的飛行速度。

3、懸掛運輸

第二個主流方向是懸掛運輸，運輸懸掛的有效載荷對自動駕駛飛行器來說是一個挑戰(zhàn)，因為有效載荷會對機器人的動力學(xué)造成重大和不可預(yù)測的變化。這些變化可能會導(dǎo)致飛行性能不理想，甚至?xí)��?dǎo)致災(zāi)難性故障。視頻是運用自適應(yīng)控制與深度強化學(xué)習(xí)在這一問題上的效果展示，可以看出這種方法在此任務(wù)表現(xiàn)良好。