【李宏毅深度强化学习笔记】1、策略梯度方法（Policy Gradient）

【李宏毅深度强化学习笔记】2、Proximal Policy Optimization (PPO) 算法

【李宏毅深度强化学习笔记】3、Q-learning（Basic Idea）

【李宏毅深度强化学习笔记】4、Q-learning更高阶的算法

【李宏毅深度强化学习笔记】5、Q-learning用于连续动作 (NAF算法)

【李宏毅深度强化学习笔记】6、Actor-Critic、A2C、A3C、Pathwise Derivative Policy Gradient

【李宏毅深度强化学习笔记】7、Sparse Reward

【李宏毅深度强化学习笔记】8、Imitation Learning（本文）

——————————————————————————————————-

【李宏毅

深度强化学习

】视频地址：

https://www.bilibili.com/video/av63546968?p=8

课件地址：

http://speech.ee.ntu.edu.tw/~tlkagk/courses_MLDS18.html

——————————————————————————————————-

上一篇笔记

讲了reward很稀疏的情况，但是在实际中，可能问题还会更进一步：很多场景是很难有一个明确的reward甚至没有reward。所以需要很厉害的agent或者直接由人来示范的资料，让agent跟着做。

本文会讲两个

Imitation Learning

的方法：

1. Behavior Cloning
2. Inverse Reinforcement Learning (IRL)

Behavior Cloning

Behavior Cloning其实和监督学习（supervised learning）是一样的。 以自动驾驶为例子，搜集很多的expert（假设是人类）驾驶资料，这些资料的状态s是开车的场景，动作a是在此场景下做出的动作。把这些资料输入到Neural Network中，使网络输出的动作能尽可能接近实际人类做出的动作，就完成任务。

但是这个过程中，

expert观察到state是有限的。比如

在实验中，让人去开车，都能顺利转弯，没有出现撞墙的情况。而这时让agent去开车，如果某一时间它没及时转弯导致处于快撞墙的state，由于缺少相应的训练资料导致agent不知道接下来怎么做。

所以这时需要引入

Dataset Aggregation稍微缓解

下这个问题。

1. 让actor
   
   
   
   
   
   
   
   
   π
   
   
   1
   
   
   
   
   
   π1
   
   
   
   。
2. 设定一个Reward Function，这个Reward Function强制要求expert的累计得分一定要高于actor的累计得分。
3. 有了Reward Function就可以使actor去更新出更强的actor。
4. 当actor能在此时的Reward Function达到很高的reward时，修改Reward Function（还是要求expert的得分一定要高于actor），让actor根据新Reward Function去更新出更强的actor。
5. 重复上述步骤。

Inverse Reinforcement Learning可以实现只用很少量的expert的示范资料，就训练出一个很理想的actor。

看了以上的步骤，可以想到，actor和reward function就对应类似于GAN的generator和discriminator。通过reward function的不断修改，使actor越来越接近expert的水平。