前兩天在一個技術(shù)交流群里看到有人問“現(xiàn)在規(guī)則和規(guī)劃算法都這么成熟了還有人老老實實寫強化學(xué)習(xí)嗎”群里立刻分成兩派一派說業(yè)務(wù)里直接用規(guī)則加A*就夠另一派說深度強化學(xué)習(xí)算法已經(jīng)卷出花了。我回了一句強化學(xué)習(xí)解決的從來不是“能不能動”而是“在不確定性中怎么持續(xù)做對選擇”。這句話算是我這些年在機器人調(diào)度、游戲AI、仿真控制之間反復(fù)橫跳后最想表達的東西。這篇文章算是一份階段性的強化學(xué)習(xí)綜述也可以當(dāng)作一份給團隊新人做入門地圖的內(nèi)容。我會先聊清楚強化學(xué)習(xí)到底在研究什么問題再順著算法的發(fā)展脈絡(luò)梳理主流方法然后按在線、離線、基于模型、因果強化學(xué)習(xí)這幾個方向拆開講最后用PPO跑通一個CartPole最小閉環(huán)并落到Gazebo仿真里的多AGV路徑規(guī)劃這類實用場景。內(nèi)容覆蓋概念、公式直覺、代碼和踩坑經(jīng)驗適合剛接觸強化學(xué)習(xí)的讀者也適合已經(jīng)跑過幾個環(huán)境但缺乏體系化脈絡(luò)的工程師。1. 從多臂老虎機到自動駕駛強化學(xué)習(xí)到底解決的是什么問題1.1 強化學(xué)習(xí)研究的不是“學(xué)一套答案”而是“學(xué)一套決策方式”你先忘掉那些復(fù)雜的神經(jīng)網(wǎng)絡(luò)想象一個最簡單的場景面前有十臺老虎機每臺的中獎概率不同但你不知道哪臺高。你手里有有限次機會怎么在“多試幾臺獲取信息”和“死磕已知最好的那臺拿收益”之間做權(quán)衡這就是經(jīng)典的多臂老虎機問題也是強化學(xué)習(xí)Reinforcement Learning最樸素的原型。它研究的是如何在未知環(huán)境中通過試錯來最大化長期累積獎勵。強化學(xué)習(xí)一般由四個基本要素組成狀態(tài)State智能體當(dāng)前觀察到的環(huán)境描述比如AGV小車的位置、速度、周圍障礙物距離。動作Action智能體可選的行為集合比如左轉(zhuǎn)、直行、剎車或者輸出一個連續(xù)的速度指令。獎勵Reward環(huán)境對智能體行為的即時反饋一個標(biāo)量可以正可以負(fù)。策略Policy智能體從狀態(tài)到動作的映射規(guī)則也就是“看到什么情況做什么決策”的核心。用學(xué)騎自行車來類比。你剛騎上車時沒有任何經(jīng)驗摔倒一次小腿疼一次大腦就知道這個彎不能轉(zhuǎn)這么急。再摔幾次以后你開始能根據(jù)車身傾斜角提前調(diào)整重心科目就對應(yīng)狀態(tài)動作是扭車把和踩踏板獎勵是“沒摔”和“順利前進”。你最終學(xué)到的不是某一幀畫面下該干什么而是一整套應(yīng)對不同路況的決策習(xí)慣這就是策略。1.2 和監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)的本質(zhì)區(qū)別很多人剛接觸強化學(xué)習(xí)時最迷惑的就是它和機器學(xué)習(xí)里其他兩派到底什么關(guān)系我自己總結(jié)過一個很直白的對比學(xué)習(xí)范式輸入信號目標(biāo)典型場景監(jiān)督學(xué)習(xí)帶標(biāo)簽的樣本擬合輸入到輸出的映射圖像分類、文本分類、回歸預(yù)測無監(jiān)督學(xué)習(xí)無標(biāo)簽的樣本發(fā)現(xiàn)數(shù)據(jù)內(nèi)部結(jié)構(gòu)聚類、降維、異常檢測強化學(xué)習(xí)環(huán)境返回的獎勵通過試錯學(xué)習(xí)最優(yōu)決策序列游戲AI、機器人控制、調(diào)度優(yōu)化監(jiān)督學(xué)習(xí)像判斷題答案就在數(shù)據(jù)集里你只需要歸納規(guī)律無監(jiān)督學(xué)習(xí)像看一堆拼圖你得自己找出哪塊和哪塊有關(guān)系強化學(xué)習(xí)更像闖關(guān)游戲沒有人告訴你每步怎么走才對只有系統(tǒng)在你做完動作后給你一個分?jǐn)?shù)延遲還可能很長——你可能連著做對了好幾步最后一步走錯了才知道前面也該調(diào)整。這種“延遲獎勵”和“序列決策”特性是強化學(xué)習(xí)和傳統(tǒng)機器學(xué)習(xí)最不一樣的地方。比如棋類對弈你沒法對每一步貼標(biāo)簽說“這步是對是錯”只有終局才見勝負(fù)。強化學(xué)習(xí)可以在這種長鏈條反饋下把哪一步的價值都反向估計出來。1.3 哪些任務(wù)適合用強化學(xué)習(xí)哪些其實不適合從我實際項目經(jīng)驗看適合用強化學(xué)習(xí)解決的任務(wù)一般滿足三個條件狀態(tài)可以被表達、動作可以被執(zhí)行、目標(biāo)可以被量化成獎勵信號。比如雅達利游戲、圍棋、機器人運動控制、倉庫多AGV調(diào)度、換熱站溫度控制、推薦系統(tǒng)里的長期價值優(yōu)化這些都有明確邊界和反饋信號。反過來有些任務(wù)用規(guī)則和傳統(tǒng)優(yōu)化方法反而更爽。比如單純的路徑最短問題用A*或者Dijkstra幾分鐘就出結(jié)果非要上強化學(xué)習(xí)就是殺雞用牛刀。還有一些場景比如醫(yī)療決策錯一次代價極高獎勵函數(shù)很難定義強化學(xué)習(xí)在這里只能做輔助研究。我的判斷標(biāo)準(zhǔn)是如果環(huán)境交互成本低、試錯空間大、獎勵能清晰定義強化學(xué)習(xí)就能發(fā)揮價值如果三個條件缺了任何一個先想清楚再動手。2. 主流的算法家族從表格型到深度網(wǎng)絡(luò)2.1 免模型與基于模型是一條分岔路強化學(xué)習(xí)算法最粗的分叉是免模型Model-Free和基于模型Model-Based?；谀Ｐ偷姆椒ㄊ窍热W(xué)習(xí)一個環(huán)境動態(tài)模型也就是“做了動作a環(huán)境大概會怎么反饋”然后在這個模型上規(guī)劃或優(yōu)化策略。典型的代表有PILCO、Dreamer、MuZero。優(yōu)勢是樣本效率高因為可以在學(xué)到的虛擬模型里“腦補”很多數(shù)據(jù)劣勢是學(xué)模型本身很難模型不準(zhǔn)后面的策略就全歪了。免模型方法不顯式建模環(huán)境直接從交互數(shù)據(jù)中學(xué)策略或價值函數(shù)包括DQN、PPO、SAC、TD3等一大批主流算法。它們實現(xiàn)相對簡單通用性強是工程落地的主力。代價是樣本消耗量通常很大所以仿真環(huán)境在強化學(xué)習(xí)項目里幾乎是標(biāo)配。2.2 價值型算法從Q-Learning到SAC早期表格型方法里最有名的就是Q-Learning。它維護一張Q表記錄每個狀態(tài)動作對的長期回報估計更新公式是Q(s, a) ← Q(s, a) α * [ r γ * max(a) Q(s, a) - Q(s, a) ]看起來簡單但這套“拿下一步最優(yōu)Q值回傳當(dāng)前步”的思路到現(xiàn)在還在幾乎所有深度強化學(xué)習(xí)算法內(nèi)部跑著。當(dāng)狀態(tài)空間大到表格裝不下時就有深度Q網(wǎng)絡(luò)DQN。DQN把Q表換成了神經(jīng)網(wǎng)絡(luò)用過的都知道兩個關(guān)鍵技巧不能少經(jīng)驗回放和固定目標(biāo)網(wǎng)絡(luò)。這兩個設(shè)計解決的是樣本相關(guān)性和訓(xùn)練穩(wěn)定性問題是深度強化學(xué)習(xí)算法的奠基性工作。再到連續(xù)動作控制場景比如機器人關(guān)節(jié)速度輸出DQN沒法直接處理于是出現(xiàn)DDPG這類確定策略梯度方法。但DDPG出了名地對超參數(shù)敏感所以后來TD3和SAC明顯更穩(wěn)。尤其SAC引入了最大熵思想讓它不只會最大化回報還會刻意保持策略隨機性避免過早收斂到次優(yōu)方案。我在仿真環(huán)境里做連續(xù)控制時第一選擇基本就是SAC。2.3 策略型算法策略梯度與Actor-Critic價值型方法先學(xué)“每個動作有多好”再根據(jù)價值選動作策略型方法更直接把策略本身參數(shù)化沿著“期望回報對策略參數(shù)的梯度”往上漲。最早的REINFORCE屬于蒙特卡洛策略梯度用整個回合的總回報來估計梯度直觀但方差極大。后來把價值網(wǎng)絡(luò)和策略網(wǎng)絡(luò)結(jié)合起來就有了Actor-Critic。Actor負(fù)責(zé)出動作Critic負(fù)責(zé)給當(dāng)前狀態(tài)一個基線評分這樣策略網(wǎng)絡(luò)不用等完整回合就能每步更新大幅降低方差。A2C、A3C、PPO、SAC、TD3都算這個家族。PPO是目前工程里最常見的算法之一。它通過裁剪目標(biāo)函數(shù)讓策略更新不邁太大步防止一次更新過多破壞已有策略穩(wěn)定性非常好。我自己的感受是PPO可能不是每個任務(wù)上Test得分最高的但幾乎在所有任務(wù)上都“不會把你帶溝里”這是它能成為默認(rèn)起點的原因。2.4 算法選型速查算法適用動作空間特點工程常見場景DQN離散引入經(jīng)驗回放與固定目標(biāo)網(wǎng)絡(luò)棋類、雅達利、簡單離散控制DDPG連續(xù)確定性策略但對超參數(shù)敏感經(jīng)典連續(xù)控制TD3連續(xù)DDPG的穩(wěn)定版雙Critic延遲更新機器人運動控制SAC連續(xù)最大熵訓(xùn)練探索強且穩(wěn)定機械臂、仿真車輛控制PPO離散/連續(xù)穩(wěn)定、通用、易調(diào)游戲AI、AGV調(diào)度、多智能體場景IQL/CQL離線數(shù)據(jù)處理分布外動作離線專用日志數(shù)據(jù)策略提取3. 數(shù)據(jù)流向決定派別在線、離線與基于模型3.1 在線閉環(huán)一個“采樣、評估、改進”的循環(huán)在線強化學(xué)習(xí)的流程所有跑過代碼的人都很熟Agent在環(huán)境里探索收集狀態(tài)、動作、獎勵、下一狀態(tài)四元組扔進回放緩沖區(qū)學(xué)習(xí)網(wǎng)絡(luò)從中采樣一批經(jīng)驗用TD誤差更新價值函數(shù)或者策略網(wǎng)絡(luò)更新完繼續(xù)讓Agent帶著新策略和環(huán)境交互反復(fù)循環(huán)。這里最核心的矛盾是“探索”和“利用”如果一直利用當(dāng)前最優(yōu)策略可能錯過更好的路線如果一直亂試?yán)鄯e獎勵又上不去。常用的辦法是ε-greedy即以一個小概率隨機探索其余時間選擇當(dāng)前Q值最高的動作。SAC這類基于熵的算法更優(yōu)雅把探索作為目標(biāo)的一部分寫進優(yōu)化公式里。在線方法效果直觀但最現(xiàn)實的痛點是環(huán)境交互成本。真實機器人跑一步要好幾秒碰撞一次還要維修而仿真環(huán)境下幾分鐘能跑上萬步。這也是為什么大家在做真實控制前一定先在Gazebo、MuJoCo這類仿真器里訓(xùn)練模型訓(xùn)練好了再遷移到真實設(shè)備上。3.2 離線強化學(xué)習(xí)只有歷史日志也能學(xué)很多業(yè)務(wù)場景根本沒有“隨時在線試錯”的許可。電商推薦系統(tǒng)不可能為了探索新策略就讓用戶刷到很多低質(zhì)量內(nèi)容醫(yī)院也不允許算法在真實診療里胡試。這種時候就需要離線強化學(xué)習(xí)Offline RL也叫批處理強化學(xué)習(xí)只用一份已經(jīng)收集好的固定數(shù)據(jù)集不再與環(huán)境交互直接學(xué)一個策略出來。離線強化學(xué)習(xí)的最大難點叫分布外動作。簡單說數(shù)據(jù)里沒有的狀態(tài)動作組合訓(xùn)練時一旦網(wǎng)絡(luò)隨口說某個未知動作“會值很多分”就會出現(xiàn)嚴(yán)重的Q值過估計。因為Q網(wǎng)絡(luò)是用貝爾曼方程遞推的對沒見過動作的估值沒有真實反饋來糾正越迭代越離譜。IQLImplicit Q-Learning是一個很能說明問題的代表性算法。它避開了“需要讀數(shù)據(jù)里沒出現(xiàn)過的動作Q值”這個麻煩改為從隱式方式估計狀態(tài)價值只關(guān)注數(shù)據(jù)集內(nèi)部有樣本支撐的部分鼓勵學(xué)到數(shù)據(jù)集所表達的行為而不是盲目外推。CQL則從另一個角度下手在Q學(xué)習(xí)的目標(biāo)里加上一項對Q值期望的正則約束壓低那些沒有數(shù)據(jù)支撐的動作的價值。兩種思路都屬于“保守估計”路線寧可少賺不賭未知。3.3 基于模型強化學(xué)習(xí)先把環(huán)境裝進腦子里基于模型方法的核心是先學(xué)一個世界模型World Model讓Agent能“腦補”交互結(jié)果。Dreamer系列在這個方向上做得很典型先通過歷史經(jīng)驗學(xué)出下一幀狀態(tài)預(yù)測模型然后在虛擬環(huán)境里基于隱空間做想象推演來訓(xùn)練策略。這樣大量策略更新都不需要跟真實環(huán)境通信樣本效率能提升一個數(shù)量級。MuZero更是把這套思路推進到了棋類和Atari等場景直接用神經(jīng)網(wǎng)絡(luò)做隱狀態(tài)轉(zhuǎn)移和價值預(yù)測不依賴精確規(guī)則也能拿到非常強的結(jié)果。這類算法的工程直覺是既然真實環(huán)境交互貴那就先建一個便宜的高保真模擬器在模擬器里把試錯成本降到接近零。3.4 因果強化學(xué)習(xí)在改什么再往深一層看最近我比較關(guān)注的還有因果強化學(xué)習(xí)Causal RL。傳統(tǒng)強化學(xué)習(xí)學(xué)到的很多關(guān)聯(lián)關(guān)系其實只是數(shù)據(jù)上的相關(guān)性而非因果性。比如AGV在某個畫面里頻繁撞到貨架畫面中的某個像素顏色和碰撞事件高度相關(guān)但真正導(dǎo)致碰撞的是機器人到貨架的距離和速度。如果只學(xué)到像素相關(guān)換一批貨架顏色可能就失效了。因果強化學(xué)習(xí)的核心機制是把因果推斷工具嵌入強化學(xué)習(xí)流程先識別出“哪個變量直接決定系統(tǒng)反饋哪個變量只是伴隨現(xiàn)象”再在環(huán)境模型或策略學(xué)習(xí)里保留因果結(jié)構(gòu)。一個典型做法是先結(jié)構(gòu)學(xué)習(xí)得到因果圖抽出因果特征再讓策略只依賴這些特征做決策丟掉那些虛假相關(guān)。這樣的策略更容易跨環(huán)境泛化也更容易被解釋。目前這個方法還在發(fā)育期但方向上我認(rèn)為值得持續(xù)關(guān)注。4. 用Python把PPO跑通一遍從Gym到自定義環(huán)境4.1 環(huán)境準(zhǔn)備不談安裝的教程都是耍流氓。先準(zhǔn)備環(huán)境我推薦直接用Miniconda建獨立虛擬環(huán)境避免包依賴沖突conda create -n rl python3.10 -y conda activate rl pip install gymnasium[classic-control] stable-baselines3gymnasium是之前OpenAI Gym庫的繼任者接口變化不大但維護更積極。stable-baselines3是SB3封裝了PPO、SAC、DQN等一堆成熟算法接口統(tǒng)一非常適合入門和做實驗原型。如果你想自己寫算法理解細節(jié)可以用PyTorch從零擼一個簡單PPO但第一遍我建議先用SB3跑通流程再回頭讀源碼。4.2 最小閉環(huán)訓(xùn)練與推理下面這段代碼十幾行就能完成“定義環(huán)境、創(chuàng)建模型、訓(xùn)練、跑一次推理”的完整閉環(huán)import gymnasium as gym from stable_baselines3 import PPO # 創(chuàng)建倒立擺環(huán)境 env gym.make(CartPole-v1) # 初始化PPO使用兩層MLP策略網(wǎng)絡(luò) model PPO(MlpPolicy, env, verbose1, learning_rate3e-4, n_steps2048) # 訓(xùn)練20萬步 model.learn(total_timesteps200_000) # 重置環(huán)境并讓模型跑一輪 obs, info env.reset() for _ in range(1000): action, _ model.predict(obs, deterministicTrue) obs, reward, terminated, truncated, info env.step(action) env.render() if terminated or truncated: break這里有幾個容易被忽略的細節(jié)learning_rate3e-4是我跑過很多環(huán)境后覺得在PPO里最穩(wěn)妥的起點盲目調(diào)大很容訓(xùn)練發(fā)散。n_steps2048是每次更新收集的步數(shù)太小會讓梯度噪聲過大。deterministicTrue表示推理時不再采樣隨機探索直接輸出當(dāng)前策略的確定性動作評估模型時更穩(wěn)定。4.3 從CartPole到Gazebo和多AGV路徑規(guī)劃跑通CartPole之后絕大多數(shù)人下一步會想碰真實場景。做機器人方向的人通常繞不開Gazebo它是ROS生態(tài)里最常用的物理仿真器之一可以加載機器人模型、傳感器仿真、障礙物布局。要做Gazebo里的強化學(xué)習(xí)最普遍的做法是寫一個Python環(huán)境類通過ROS訂閱激光雷達和里程計話題得到狀態(tài)通過發(fā)布速度指令話題作為動作當(dāng)機器人收到碰撞傳感器信號時返回負(fù)獎勵并回合結(jié)束。多AGV路徑規(guī)劃是這類場景里挺典型的問題。一個倉庫里有若干輛AGV從不同起點去往不同卸貨點容易互相堵路甚至死鎖。用強化學(xué)習(xí)來求解時普通建模方式有兩種一種是把每個AGV當(dāng)作獨立智能體各自決定下一步往哪走這就成了多智能體強化學(xué)習(xí)問題另一種是先把AGV的可能路徑離散成有限集合再讓策略從中選路徑配合交通管制規(guī)則避免死鎖。根據(jù)我自己的經(jīng)驗多AGV強化學(xué)習(xí)項目里最影響效果的倒不是算法本身而是仿真保真度和獎勵設(shè)計。比如Gazebo里如果沒開好碰撞檢測那AGV撞了貨架也不報終止獎勵信號全亂策略根本學(xué)不出來。所以我每次都先在Gazebo里手動遠程操控AGV跑幾遍確認(rèn)碰撞話題、里程計噪聲、障礙物布局都真實了再開始訓(xùn)練策略。5. 實戰(zhàn)中的獎勵設(shè)計、超參數(shù)與任務(wù)建模5.1 獎勵設(shè)計稀疏獎勵、獎勵塑形與獎勵黑客獎勵函數(shù)是強化學(xué)習(xí)項目里影響最直接、也最容易被輕視的部分。第一個問題是稀疏獎勵如果AGV只在最終卸貨那一刻拿到一個“10”其他所有步都是0那你得試多少條路才偶然而一次正向信號可能幾萬步都學(xué)不動。解決辦法是獎勵塑形給中間過渡提供密度更高的反饋比如每靠近目標(biāo)一步給一個小正分每碰撞一次給一個負(fù)分讓對方策略能一步步摸到目標(biāo)。但獎勵塑形會引發(fā)新的問題就是獎勵黑客。你設(shè)計的靠近獎勵可能讓AGV繞著目標(biāo)轉(zhuǎn)圈不沖進去只為了每步都拿靠近獎勵也可能讓它在離目標(biāo)很近但撞墻的位置卡住因為靠近獎勵大于碰撞處罰。我見過最典型的翻車案例給機械臂設(shè)計了一個“末端接近目標(biāo)減距離誤差”的獎勵結(jié)果機械臂學(xué)會把目標(biāo)物體推遠來減少誤差。所以要設(shè)一些容易判定的全局約束比如步數(shù)上限、距離閾值強制終止并對異常行為做合法性校驗。5.2 需要盯住的超參數(shù)強化學(xué)習(xí)超參數(shù)很多但真正需要手工調(diào)的核心參數(shù)就那么幾個參數(shù)含義常見起點調(diào)高效果調(diào)低效果學(xué)習(xí)率網(wǎng)絡(luò)權(quán)重更新步長3e-4學(xué)習(xí)快容易發(fā)散穩(wěn)定但收斂慢折扣因子γ未來獎勵的重要性0.99更看重遠期收益更看重眼前收益熵系數(shù)/熵權(quán)重策略隨機性懲罰SAC默認(rèn)自動調(diào)探索更多接近確定性策略經(jīng)驗回放容量舊樣本保留量100_000多樣性高占內(nèi)存樣本舊信息丟棄快梯度裁剪閾值防止梯度過大0.5或1.0容忍大更新更保守我見過太多人一上來就試圖把γ調(diào)到0.999結(jié)果策略過分關(guān)注遠期短視任務(wù)怎么都學(xué)不好。先保持0.99起步觀察回報曲線是否平穩(wěn)上漲再根據(jù)需求更變。5.3 訓(xùn)練不穩(wěn)時的排查鏈訓(xùn)練過程中回報曲線震蕩是一個再普通不過的事。按照我自己的排查習(xí)慣順序大概是先確認(rèn)環(huán)境本身沒問題手動采樣動作觀察獎勵是否合理、回合是否正常結(jié)束這一步排掉80%的“學(xué)不動”問題?？从?xùn)練時的平均回報曲線而不是單回合回報。單回合方差極大容易讓人誤判。檢查探索是否充足如果策略過早收斂到“一直輸出同一個動作”往往是熵塌縮了需要提高熵系數(shù)或者提高學(xué)習(xí)率。檢查Q值或Critic loss如果Q值一路飆升但實際回報紋絲不動基本就是過估計需要降低學(xué)習(xí)率、調(diào)大回放buffer或者換成更保守的目標(biāo)更新方式。最后檢查環(huán)境隨機種子是否固定不確定的隨機環(huán)境會直接導(dǎo)致復(fù)現(xiàn)困難。5.4 我的調(diào)試順序跑強化學(xué)習(xí)項目以來我逐漸形成一套固定節(jié)奏。第一步先把環(huán)境當(dāng)成隨機智能體跑幾百步只看數(shù)據(jù)流是否通、獎勵是否合理。第二步用PPO或SAC跑一個小batch實驗比如10萬步觀察那條獎勵曲線能不能在一個小時內(nèi)有明顯上升趨勢。第三步如果曲線沒動靜我不去改網(wǎng)絡(luò)結(jié)構(gòu)先改獎勵函數(shù)和狀態(tài)表征這兩項對訓(xùn)練效果的影響遠大于網(wǎng)絡(luò)層數(shù)。第四步等基本能學(xué)通后再去做超參數(shù)小范圍網(wǎng)格搜索一次只改一個變量。這套流程看起來老套但對比“遇到問題就加網(wǎng)絡(luò)”的野路子成功率提升非常大。6. 強化學(xué)習(xí)目前的三個瓶頸以及一些破局思路6.1 繞不開的樣本效率深度強化學(xué)習(xí)算法的最大瓶頸還是樣本效率。一個標(biāo)準(zhǔn)的Atari游戲需要幾百萬幀才能達到人類水平真實機器人根本耗不起這個交互量這也是強化學(xué)習(xí)在工業(yè)里主要活在仿真場景的原因。破局思路目前有四條線一是基于模型方法用學(xué)出來的世界模型自動補樣本二是離線強化學(xué)習(xí)把歷史日志數(shù)據(jù)用起來三是仿真到現(xiàn)實遷移把仿真里學(xué)到的策略做域隨機化再遷移到真實設(shè)備四是多智能體并行仿真同時開幾十個Gazebo實例加速采樣。這幾個方向不是互斥的實際項目里經(jīng)常組合使用。6.2 獎勵從哪來人寫還是學(xué)獎勵函數(shù)是很多項目推不動的深層原因。尤其像“路徑規(guī)劃得好不好”“駕駛風(fēng)格冷不冷”這類評價很難寫成標(biāo)量函數(shù)。近幾年出現(xiàn)了逆強化學(xué)習(xí)IRL和偏好學(xué)習(xí)從專家示范數(shù)據(jù)里反推獎勵或者讓人類給成對軌跡打分再由算法擬合一個人的偏好模型。DeepMind在多機器人控制里還用過一個思路先學(xué)一個輔助價值函數(shù)來評估行為規(guī)范再把這個函數(shù)作為強化學(xué)習(xí)信號的一部分。從工程角度講與其絞盡腦汁手造獎勵不如強化學(xué)習(xí)環(huán)境下同時采集導(dǎo)師反饋既高效又不容易被獎勵黑客鉆空子。6.3 因果、世界模型和離線數(shù)據(jù)怎么走到一起把現(xiàn)階段幾個熱點放在一起看其實有一個共同趨勢都在想辦法讓強化學(xué)習(xí)不那么“白手起家”。因果強化學(xué)習(xí)給模型注入因果結(jié)構(gòu)讓策略基于真正起作用的變量做決策提高泛化能力基于模型的強化學(xué)習(xí)給策略一個可以反復(fù)演練的“沙盤”離線強化學(xué)習(xí)讓先前積累的數(shù)據(jù)具備再利用價值。三者在生產(chǎn)實踐里可以配合成一套管線先用離線數(shù)據(jù)學(xué)習(xí)一個可信的世界模型和保守策略再用因果工具剔除虛假相關(guān)特征最后在仿真沙盤里微調(diào)策略再到現(xiàn)實環(huán)境小成本驗證。這基本就是我從科研項目轉(zhuǎn)向工業(yè)落地時最后沉淀下來的主流做法。6.4 入門資料怎么選避免只刷代碼最后分享一點學(xué)習(xí)路線方面的體會。很多人以為強化學(xué)習(xí)很難是數(shù)學(xué)勸退其實更準(zhǔn)確地說是“直覺門檻”太高。Q值、TD誤差、策略梯度這些概念如果不結(jié)合具體環(huán)境去體會看公式會非常吃力。我推薦兩條路徑并行一邊讀Sutton的經(jīng)典紅寶書《Reinforcement Learning: An Introduction》這本書雖然老但對基本概念的直覺講得最好一邊在Gymnasium里跑SB3的現(xiàn)成實現(xiàn)把DQN、PPO、SAC都先當(dāng)成黑盒玩一遍再回去讀論文里的公式推導(dǎo)會順暢得多。市面上也有一些很適合中文讀者的開源書籍比如“動手學(xué)強化學(xué)習(xí)”我常把它當(dāng)作新人團隊的百日入門手冊。我自己的習(xí)慣是“必須自己重寫一遍核心算法”。哪怕寫出來的版本比SB3慢十倍這個過程里能學(xué)到的東西遠比調(diào)包跑幾千步要多。等你能從零寫出一個能讓CartPole收斂的PPO再去看MuZero、Dreamer、IQL這些進階方向會發(fā)現(xiàn)整個強化學(xué)習(xí)地圖已經(jīng)在腦子里成形了。剩下的無非是拿著地圖去你自己的場景里踩地平坑。