南棲仙策提出新型環(huán)境特征編碼器學(xué)習(xí)算法，有效提升環(huán)境識別的泛化能力
基于上下文的離線元強化學(xué)習(xí)（Context-based OMRL）通過構(gòu)建一個上下文編碼器，將收集到的上下文數(shù)據(jù)映射到任務(wù)表征，進一步基于任務(wù)表征來自適應(yīng)的在多個環(huán)境中進行決策。然而，在離線的情形下，任務(wù)表征的編碼器極大的依賴于用于訓(xùn)練的離線數(shù)據(jù)的豐富程度。當(dāng)數(shù)據(jù)采集有限，以至于與特定采樣策略的特點耦合時，學(xué)習(xí)的任務(wù)編碼器通常會難以獲得較好的泛化能力，進而影響元強化學(xué)習(xí)的性能。
基于此，南京大學(xué)&南棲仙策團隊合作提出了一種基于模型對抗樣本增強的環(huán)境特征編碼器學(xué)習(xí)，task Representation learning via adversarial Data Augmentation (ReDA)算法，并發(fā)表在AAMAS24會議上。這一方法可以應(yīng)用于元強化學(xué)習(xí)的環(huán)境特征識別上，緩解了以往算法中環(huán)境特征和采樣策略耦合的影響，從而使得我們在樣本受限的實際場景中可以提升環(huán)境特征編碼器的泛化能力，進而提高元學(xué)習(xí)策略的表現(xiàn)，推進強化學(xué)習(xí)在現(xiàn)實世界的應(yīng)用落地。
離線元強化學(xué)習(xí)環(huán)境特征耦合問題
離線元強化學(xué)習(xí)（Offline Meta Reinforcement Learning）是一種重要的機器學(xué)習(xí)技術(shù)，其結(jié)合了離線和元學(xué)習(xí)兩種方法優(yōu)勢，可以幫助智能系統(tǒng)從以往的多種環(huán)境的離線經(jīng)驗中學(xué)習(xí)，以提高在新環(huán)境下的泛化能力。通過離線數(shù)據(jù)，系統(tǒng)可以更有效地利用以往的經(jīng)驗，而無需實時與環(huán)境進行交互，從而提高數(shù)據(jù)利用效率。并且，由于在不同的環(huán)境下進行學(xué)習(xí)，而不僅僅是在當(dāng)前環(huán)境下，也極大的提高了策略的泛化能力。
在很多實際應(yīng)用中，實時與多種環(huán)境交互收集數(shù)據(jù)可能會很昂貴或不切實際，離線元強化學(xué)習(xí)為這些場景提供了解決方案。離線元強化學(xué)習(xí)可以使強化學(xué)習(xí)技術(shù)更易于應(yīng)用和部署，在提高泛化能力、數(shù)據(jù)效率、穩(wěn)健性以及降低成本等方面具有重要意義，尤其是在實際應(yīng)用中，如機器人控制與路徑規(guī)劃、自動駕駛系統(tǒng)、智能游戲角色、智能物流和倉儲以及工業(yè)自動化等方面具有廣泛的用途。
離線元強化學(xué)習(xí)中，主要的方法是基于上下文的離線元強化學(xué)習(xí)。該類方法將策略建模為兩部分：第一部分是環(huán)境特征提取器，可以將歷史收集到的上下文數(shù)據(jù)映射到環(huán)境特征上；第二部分是基于環(huán)境特征的條件策略，在給定的當(dāng)前狀態(tài)和得到的環(huán)境特征的條件下進行決策。第一部分的任務(wù)編碼器是非常重要的，提取的環(huán)境特征將直接決定了下游的元策略的學(xué)習(xí)質(zhì)量和泛化能力。
然而，以往的環(huán)境特征編碼學(xué)習(xí)需要依賴非常豐富且多樣的數(shù)據(jù)進行學(xué)習(xí)，這在很多真實的物理場景中是不現(xiàn)實甚至存在一定危險的，比如機器人等。以往的工作中，環(huán)境特征提取是基于對比學(xué)習(xí)直接在離線數(shù)據(jù)集上進行訓(xùn)練的：
由于對比學(xué)習(xí)直觀上就是減小相同任務(wù)的上下文表征的距離，增大不同環(huán)境的上下文表征的距離，通常需要收集到非常豐富的離線數(shù)據(jù)集來獲得一個魯棒且可泛化的環(huán)境表征，例如CORRO[1]需要使用整個訓(xùn)練期間的所有策略檢查點來收集數(shù)據(jù)，這在真實場景中是不現(xiàn)實的，顯然整個訓(xùn)練流程中的數(shù)據(jù)對于現(xiàn)實任務(wù)例如機器人控制任務(wù)是很難獲取的，甚至獲取過程中存在一定的不安全因素。因為很多時候我們無法獲取如此豐富的樣本來訓(xùn)練一個好的環(huán)境特征編碼器，所以我們需要去關(guān)注數(shù)據(jù)集有限時環(huán)境編碼器的學(xué)習(xí)問題。
簡單以倒立桿任務(wù)（InvertedPendulum）為例，我們的訓(xùn)練數(shù)據(jù)是重力1.0下的高質(zhì)量數(shù)據(jù)和重力2.0下的低質(zhì)量數(shù)據(jù)，然后使用上下文數(shù)據(jù)是1.0倍重力下的低質(zhì)量的數(shù)據(jù)進行測試（圖1-a），對數(shù)據(jù)集的分布進行降維可視化展示（圖1-b），發(fā)現(xiàn)測試數(shù)據(jù)到同樣環(huán)境下的訓(xùn)練數(shù)據(jù)的距離，并沒有相對其他環(huán)境的訓(xùn)練數(shù)據(jù)的距離更加接近（圖1-c），這樣的情況下，僅僅依賴于數(shù)據(jù)集的對比學(xué)習(xí)，由于缺少足以代表環(huán)境任務(wù)特征的樣本，將很難保證任務(wù)表征的泛化能力。
圖1. (a). 訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù) (b). 數(shù)據(jù)分布的可視化 (c). 測試數(shù)據(jù)到不同任務(wù)的訓(xùn)練數(shù)據(jù)的相對距離
基于模型的對抗樣本增強
為了讓環(huán)境特征編碼器更好地捕捉到環(huán)境特征而非采樣策略本身的特征，我們提出了一種基于模型的對抗樣本增強的方法，產(chǎn)生更多的不同于數(shù)據(jù)集的數(shù)據(jù)來訓(xùn)練環(huán)境特征編碼器。
首先我們基于每個任務(wù)的數(shù)據(jù)集，分別學(xué)習(xí)各個任務(wù)上的轉(zhuǎn)移模型：
在學(xué)習(xí)好可以用來交互的環(huán)境模型后，接下來我們需要面臨的問題是：1.采集什么樣的樣本來有效增強任務(wù)編碼器的能力？2.如何緩解環(huán)境模型誤差帶來的影響？
對于這兩個問題，我們引入了一個對抗采樣策略，該策略的優(yōu)化目標(biāo)主要由三部分組成：
·最小辨識度的樣本：我們需要采集讓任務(wù)編碼最難區(qū)分的樣本，即該樣本到相同任務(wù)的距離和到其他任務(wù)的距離差距不大。所以我們考慮這樣的樣本需要具備的特點是，當(dāng)它被加入上下文之后，會導(dǎo)致基于上下文的對比學(xué)習(xí)的損失函數(shù)上升。所以我們使用該損失函數(shù)變化的程度來作為優(yōu)化的獎勵信號，如果對比損失上升越大，說明該樣本的引入使得任務(wù)編碼器更加難以識別環(huán)境了。定義該樣本加入前的任務(wù)表征為z_t，加入該樣本后的任務(wù)表征為z_t+1，單步的獎勵定義為：
·模型不確定性懲罰：我們并不希望對抗策略去搜索模型中誤差過于大的區(qū)域，所以參考MOPO我們基于不確定性度量給出對樣本的懲罰。
·任務(wù)相關(guān)獎勵：我們使用了任務(wù)的獎勵函數(shù)來避免對抗策略去搜索和任務(wù)無關(guān)的樣本。
綜上所述，我們最終得到了在模型上搜索對抗樣本的對抗策略的優(yōu)化目標(biāo)：
基于該對抗策略搜索到的增強樣本，我們得到了新的環(huán)境特征編碼器的優(yōu)化目標(biāo)：
該目標(biāo)是一個標(biāo)準(zhǔn)的強化學(xué)習(xí)的定義，所以可以使用SAC等算法求解。
整體的算法流程如下圖所示，首先基于離線數(shù)據(jù)集學(xué)習(xí)轉(zhuǎn)移模型，然后在轉(zhuǎn)移模型上獲得對抗策略，并產(chǎn)生對抗數(shù)據(jù)訓(xùn)練任務(wù)編碼器，再基于任務(wù)編碼器訓(xùn)練最終的元策略。
圖2. 算法流程
整體訓(xùn)練的算法描述如下：
技術(shù)驗證
基于倒立桿的環(huán)境與數(shù)據(jù)集，我們對我們的方法進行了簡單的驗證，首先定義相對距離：
該距離描述了相同任務(wù)下訓(xùn)練集和測試集的距離與不同任務(wù)下訓(xùn)練集和測試集的距離的差異，如果該距離越小，說明我們的表征訓(xùn)練的泛化能力越好，通過和FOCAL[2]等基礎(chǔ)算法進行對比，我們發(fā)現(xiàn)ReDA顯著的提升了表征的泛化能力（圖3-b），并且取得了更好的測試性能（圖3-a）。這一結(jié)果表明，我們學(xué)習(xí)到的環(huán)境表征解耦了采樣的策略特征，從而更好的泛化到了更多數(shù)據(jù)上。
圖3. 倒立桿多種方法下的表征與性能
整體性能
我們設(shè)計了兩種模式進行測試，第一種是on-policy模式，上下文的樣本來源于當(dāng)前策略的采樣；另一種是off-policy模式，策略來源于數(shù)據(jù)集以外的其他樣本。這兩者都是在實際部署時最常需要使用的上下文樣本，并且都存在和訓(xùn)練集存在一定的偏差。我們參考以往的工作構(gòu)建了MuJoCo上的多任務(wù)數(shù)據(jù)集，包括HalfCheetah、Hopper、Walker2d、Ant在Gravity、Dof-Damping等模擬器參數(shù)變化下的多任務(wù)數(shù)據(jù)集。在訓(xùn)練過程中我們只使用幾個檢查點的數(shù)據(jù)，然后使用其他檢查點的數(shù)據(jù)作為off-policy模式下的測試數(shù)據(jù)。實驗結(jié)果如下：
圖4. on-policy模式下的性能
其中[任務(wù)] [參數(shù)類型]-[數(shù)字]的格式表示使用的訓(xùn)練數(shù)據(jù)集是哪個任務(wù)的哪類參數(shù)，總共使用了幾個檢查點的數(shù)據(jù)去訓(xùn)練。
圖5. off-policy模式下的性能
其中[任務(wù)] [參數(shù)類型]-[數(shù)字]的格式表示使用的訓(xùn)練數(shù)據(jù)集是哪個任務(wù)的哪類參數(shù)，總共使用了幾個檢查點的數(shù)據(jù)去訓(xùn)練。
可以看到，通過引入基于模型的方法，學(xué)習(xí)一個泛化能力更強的環(huán)境特征提取器，極大地提高了元策略的表現(xiàn)，使離線元強化學(xué)習(xí)得以在樣本受限的情況下仍然取得一個不錯的性能。
本文關(guān)注低數(shù)據(jù)情境下的離線元強化學(xué)習(xí)（OMRL），強調(diào)了環(huán)境表示學(xué)習(xí)與數(shù)據(jù)收集策略分離的重要性，并提出了對抗數(shù)據(jù)增強的實際解決方案；訓(xùn)練了轉(zhuǎn)移模型和對抗性策略來增強離線數(shù)據(jù)集，以應(yīng)對數(shù)據(jù)集受限的情況。希望這項研究能夠激發(fā)對數(shù)據(jù)采樣策略在元強化學(xué)習(xí)中的影響，以及OMRL測試基準(zhǔn)標(biāo)準(zhǔn)化的進一步探索。
參考文獻
[1]. Haoqi Yuan et al. obust Task Representations for Offline Meta-Reinforcement Learning via Contrastive Learning. (ICML 22)
[2]. Lanqing Li et al. FOCAL: Efficient Fully-Offline Meta-Reinforcement Learning via Distance Metric Learning and Behavior Regularization. (ICLR 21)
