网站导航
> 技术文档 > 目标导向的强化学习：问题定义与 HER 算法详解—强化学习(19)

目标导向的强化学习：问题定义与 HER 算法详解—强化学习(19)

网友: 技术文档 2025-07-26 20:40:23

目录

1、目标导向的强化学习：问题定义

1.1、 核心要素与符号定义

1.2、 核心问题：稀疏奖励困境

1.3、 学习目标

2、HER（Hindsight Experience Replay）算法

2.1、 HER 的核心逻辑

2.2、 算法步骤（结合 DDPG 举例）

2.2.1、步骤 1：收集原始经验

2.2.2、步骤 2：重构经验（核心！）

2.2.3、步骤 3：替代目标生成策略

2.2.4、步骤 4：策略更新

2.3、 为什么 HER 有效？

2.4、公式总结

3、通俗理解

4、完整代码

5、实验结果  

1、目标导向的强化学习：问题定义

目标导向的强化学习（Goal-Conditioned Reinforcement Learning）是一类让智能体通过学习策略，从初始状态达到特定目标的任务。与传统强化学习不同，这类任务的核心是 “目标”—— 智能体的行为需围绕 “达成目标” 展开，而目标本身可能随任务变化（如 “机械臂抓取 A 物体”“机械臂抓取 B 物体” 是两个不同目标）。

1.1、 核心要素与符号定义

  • 状态（State）：环境的观测信息，记为s \\in \\mathcal{S}（\\mathcal{S}是状态空间）。例如：机械臂的关节角度、物体的坐标。
  • 目标（Goal）：智能体需要达成的状态，记为g \\in \\mathcal{G}（\\mathcal{G}是目标空间，通常与状态空间重合或相关）。例如：机械臂需抓取的物体坐标。
  • 动作（Action）：智能体的行为，记为 a \\in \\mathcal{A}（\\mathcal{A} 是动作空间）。例如：机械臂关节的旋转角度。
  • 转移函数：状态 - 动作对到下一状态的映射，记为 s\' \\sim P(s\' | s, a)（P 是状态转移概率）。
  • 奖励函数：衡量 “当前状态与目标的差距”，记为r(s, a, g)。目标导向任务的奖励通常仅与 “状态是否接近目标” 相关，与动作间接相关。

1.2、 核心问题：稀疏奖励困境

目标导向任务的奖励函数通常是稀疏的：仅当状态 s 与目标 g 几乎一致时，才给予正奖励；否则奖励为 0 或负值。 奖励函数示例（机械臂抓取任务）：

  • 智能体在绝大多数尝试中（如 99% 的交互）都得不到正奖励，无法判断 “哪些动作有助于接近目标”；
  • 策略更新缺乏有效信号（梯度难以计算），学习效率极低，甚至无法收敛。

1.3、 学习目标

目标导向强化学习的目标是学习一个目标条件策略 \\pi(a | s, g)，使得在策略引导下，智能体从任意初始状态 \\(s_0\\) 出发，通过执行动作序列a_0, a_1, ..., a_T，最终达到目标 g 的概率最大化。

2、HER（Hindsight Experience Replay）算法

HER 算法是解决目标导向任务中稀疏奖励问题的经典方法，核心思想是：从 “失败经验” 中 “事后重构” 有效奖励信号—— 即使智能体没达成原定目标，也能通过修改目标，将 “失败轨迹” 转化为 “成功轨迹”，从而提取学习信号。

2.1、 HER 的核心逻辑

假设智能体在一次交互中，原定目标是 g，但实际轨迹为\\tau = (s_0, a_0, s_1, a_1, ..., s_T)，最终状态 s_T \\neq g（失败）。 HER 的关键操作是：从轨迹 \\tau中选一个状态 s_k作为 “替代目标” \\hat{g} = s_k，此时轨迹 \\tau对于新目标 \\\\hat{g} 是 “成功的”（因为 s_T可能接近 \\hat{g}），从而可计算有效奖励。

2.2、 算法步骤（结合 DDPG 举例）

HER 通常与离线强化学习算法（如 DDPG）结合使用，流程如下：

2.2.1、步骤 1：收集原始经验

智能体与环境交互，收集轨迹并存储到经验回放池 \\mathcal{D}。每条经验是一个五元组：e = (s_t, a_t, r_t, s_{t+1}, g)其中r_t = r(s_t, a_t, g)是基于原定目标 g 的奖励（可能为 0）。

2.2.2、步骤 2：重构经验（核心！）

对回放池中的每条原始经验 e，HER 通过替代目标生成策略选一个新目标 \\hat{g}，重构出一条 “虚拟成功经验” \\hat{e}：\\hat{e} = (s_t, a_t, \\hat{r}_t, s_{t+1}, \\hat{g}) 其中\\hat{r}_t = r(s_t, a_t, \\hat{g}) 是基于新目标 \\hat{g} 的奖励（此时可能为正，因为 \\hat{g}来自轨迹，s_{t+1} 可能接近 \\hat{g}）。

2.2.3、步骤 3：替代目标生成策略

HER 定义了 4 种常用的替代目标生成策略（以轨迹 \\tau = (s_0, s_1, ..., s_T) 为例）：

  • Final：\\hat{g} = s_T（选最终状态）；
  • Future：\\hat{g} = s_k，其中 k \\sim \\text{Uniform}(t+1, T)（选未来状态）；
  • Random：\\hat{g} = s_k，其中 k \\sim \\text{Uniform}(0, T)（随机选一个状态）；
  • Episode：\\hat{g} 从同回合的其他轨迹中随机选一个状态（适用于多目标任务）。

2.2.4、步骤 4：策略更新

将原始经验 e 和重构经验\\hat{e} 一起放入回放池，用离线算法（如 DDPG）更新策略。 以 DDPG 的 Critic 网络更新为例：

2.3、 为什么 HER 有效？

  • 解决稀疏性：通过重构经验，将 “0 奖励” 转化为 “正奖励”，使奖励信号密集化；
  • 利用失败经验：原本无用的失败轨迹被转化为有效学习样本，提高数据利用率；
  • 通用兼容：HER 是 “经验回放增强技术”，可与 DDPG、SAC 等多种算法结合，无需修改算法核心。

2.4、公式总结

  • 原始经验：e = (s_t, a_t, r(s_t, a_t, g), s_{t+1}, g)
  • 重构经验：\\hat{e} = (s_t, a_t, r(s_t, a_t, \\hat{g}), s_{t+1}, \\hat{g})，其中 \\hat{g} \\in \\{s_0, s_1, ..., s_T\\}
  • 策略目标：\\max_{\\pi} \\mathbb{E}_{\\pi} \\left[ \\sum_{t=0}^T \\gamma^t r(s_t, a_t, g) \\right]

3、通俗理解

用 “快递员送货” 举例：

  • 目标导向任务：快递员（智能体）需要把包裹送到目标地址 g（原定目标），但只有送到 g 才有钱（奖励），中途迷路（失败）则没钱。
  • 稀疏奖励问题：快递员第一次送陌生地址，99% 的概率找不到，长期没钱，不知道往哪走。
  • HER 的做法：快递员虽然没到 g，但路过了 \\hat{g}（比如某个超市），就把 “送到超市” 当作新目标，这次 “成功” 能拿到钱，从而学会 “如何到超市”；多次积累后，就能掌握城市路线，最终学会到任意目标 g 的方法。

4、完整代码

\"\"\"文件名: 19.1作者: 墨尘日期: 2025/7/25项目名: d2l_learning备注: \"\"\"import torchimport torch.nn.functional as Fimport numpy as npimport randomfrom tqdm import tqdmimport collectionsimport matplotlib.pyplot as pltclass WorldEnv: def __init__(self): self.distance_threshold = 0.15 self.action_bound = 1 def reset(self): # 重置环境 # 生成一个目标状态, 坐标范围是[3.5～4.5, 3.5～4.5] self.goal = np.array( [4 + random.uniform(-0.5, 0.5), 4 + random.uniform(-0.5, 0.5)]) self.state = np.array([0, 0]) # 初始状态 self.count = 0 return np.hstack((self.state, self.goal)) def step(self, action): action = np.clip(action, -self.action_bound, self.action_bound) x = max(0, min(5, self.state[0] + action[0])) y = max(0, min(5, self.state[1] + action[1])) self.state = np.array([x, y]) self.count += 1 dis = np.sqrt(np.sum(np.square(self.state - self.goal))) reward = -1.0 if dis > self.distance_threshold else 0 if dis <= self.distance_threshold or self.count == 50: done = True else: done = False return np.hstack((self.state, self.goal)), reward, doneclass PolicyNet(torch.nn.Module): def __init__(self, state_dim, hidden_dim, action_dim, action_bound): super(PolicyNet, self).__init__() self.fc1 = torch.nn.Linear(state_dim, hidden_dim) self.fc2 = torch.nn.Linear(hidden_dim, hidden_dim) self.fc3 = torch.nn.Linear(hidden_dim, action_dim) self.action_bound = action_bound # action_bound是环境可以接受的动作最大值 def forward(self, x): x = F.relu(self.fc2(F.relu(self.fc1(x)))) return torch.tanh(self.fc3(x)) * self.action_boundclass QValueNet(torch.nn.Module): def __init__(self, state_dim, hidden_dim, action_dim): super(QValueNet, self).__init__() self.fc1 = torch.nn.Linear(state_dim + action_dim, hidden_dim) self.fc2 = torch.nn.Linear(hidden_dim, hidden_dim) self.fc3 = torch.nn.Linear(hidden_dim, 1) def forward(self, x, a): cat = torch.cat([x, a], dim=1) # 拼接状态和动作 x = F.relu(self.fc2(F.relu(self.fc1(cat)))) return self.fc3(x)class DDPG: \'\'\' DDPG算法 \'\'\' def __init__(self, state_dim, hidden_dim, action_dim, action_bound,  actor_lr, critic_lr, sigma, tau, gamma, device): self.action_dim = action_dim self.actor = PolicyNet(state_dim, hidden_dim, action_dim, action_bound).to(device) self.critic = QValueNet(state_dim, hidden_dim, action_dim).to(device) self.target_actor = PolicyNet(state_dim, hidden_dim, action_dim, action_bound).to(device) self.target_critic = QValueNet(state_dim, hidden_dim,  action_dim).to(device) # 初始化目标价值网络并使其参数和价值网络一样 self.target_critic.load_state_dict(self.critic.state_dict()) # 初始化目标策略网络并使其参数和策略网络一样 self.target_actor.load_state_dict(self.actor.state_dict()) self.actor_optimizer = torch.optim.Adam(self.actor.parameters(), lr=actor_lr) self.critic_optimizer = torch.optim.Adam(self.critic.parameters(), lr=critic_lr) self.gamma = gamma self.sigma = sigma # 高斯噪声的标准差,均值直接设为0 self.tau = tau # 目标网络软更新参数 self.action_bound = action_bound self.device = device def take_action(self, state): state = torch.tensor([state], dtype=torch.float).to(self.device) action = self.actor(state).detach().cpu().numpy()[0] # 给动作添加噪声，增加探索 action = action + self.sigma * np.random.randn(self.action_dim) return action def soft_update(self, net, target_net): for param_target, param in zip(target_net.parameters(),  net.parameters()): param_target.data.copy_(param_target.data * (1.0 - self.tau) +  param.data * self.tau) def update(self, transition_dict): states = torch.tensor(transition_dict[\'states\'], dtype=torch.float).to(self.device) actions = torch.tensor(transition_dict[\'actions\'], dtype=torch.float).to(self.device) rewards = torch.tensor(transition_dict[\'rewards\'], dtype=torch.float).view(-1, 1).to(self.device) next_states = torch.tensor(transition_dict[\'next_states\'], dtype=torch.float).to(self.device) dones = torch.tensor(transition_dict[\'dones\'], dtype=torch.float).view(-1, 1).to(self.device) next_q_values = self.target_critic(next_states,  self.target_actor(next_states)) q_targets = rewards + self.gamma * next_q_values * (1 - dones) # MSE损失函数 critic_loss = torch.mean( F.mse_loss(self.critic(states, actions), q_targets)) self.critic_optimizer.zero_grad() critic_loss.backward() self.critic_optimizer.step() # 策略网络就是为了使Q值最大化 actor_loss = -torch.mean(self.critic(states, self.actor(states))) self.actor_optimizer.zero_grad() actor_loss.backward() self.actor_optimizer.step() self.soft_update(self.actor, self.target_actor) # 软更新策略网络 self.soft_update(self.critic, self.target_critic) # 软更新价值网络class Trajectory: \'\'\' 用来记录一条完整轨迹 \'\'\' def __init__(self, init_state): self.states = [init_state] self.actions = [] self.rewards = [] self.dones = [] self.length = 0 def store_step(self, action, state, reward, done): self.actions.append(action) self.states.append(state) self.rewards.append(reward) self.dones.append(done) self.length += 1class ReplayBuffer_Trajectory: \'\'\' 存储轨迹的经验回放池 \'\'\' def __init__(self, capacity): self.buffer = collections.deque(maxlen=capacity) def add_trajectory(self, trajectory): self.buffer.append(trajectory) def size(self): return len(self.buffer) def sample(self, batch_size, use_her, dis_threshold=0.15, her_ratio=0.8): batch = dict(states=[],  actions=[],  next_states=[],  rewards=[],  dones=[]) for _ in range(batch_size): traj = random.sample(self.buffer, 1)[0] step_state = np.random.randint(traj.length) state = traj.states[step_state] next_state = traj.states[step_state + 1] action = traj.actions[step_state] reward = traj.rewards[step_state] done = traj.dones[step_state] if use_her and np.random.uniform()  dis_threshold else 0 done = False if dis > dis_threshold else True state = np.hstack((state[:2], goal)) next_state = np.hstack((next_state[:2], goal)) batch[\'states\'].append(state) batch[\'next_states\'].append(next_state) batch[\'actions\'].append(action) batch[\'rewards\'].append(reward) batch[\'dones\'].append(done) batch[\'states\'] = np.array(batch[\'states\']) batch[\'next_states\'] = np.array(batch[\'next_states\']) batch[\'actions\'] = np.array(batch[\'actions\']) return batchif __name__ == \'__main__\': actor_lr = 1e-3 critic_lr = 1e-3 hidden_dim = 128 state_dim = 4 action_dim = 2 action_bound = 1 sigma = 0.1 tau = 0.005 gamma = 0.98 num_episodes = 2000 n_train = 20 batch_size = 256 minimal_episodes = 200 buffer_size = 10000 device = torch.device(\"cuda\") if torch.cuda.is_available() else torch.device( \"cpu\") random.seed(0) np.random.seed(0) torch.manual_seed(0) env = WorldEnv() replay_buffer = ReplayBuffer_Trajectory(buffer_size) agent = DDPG(state_dim, hidden_dim, action_dim, action_bound, actor_lr,  critic_lr, sigma, tau, gamma, device) return_list = [] for i in range(10): with tqdm(total=int(num_episodes / 10), desc=\'Iteration %d\' % i) as pbar: for i_episode in range(int(num_episodes / 10)): episode_return = 0 state = env.reset() traj = Trajectory(state) done = False while not done:  action = agent.take_action(state)  state, reward, done = env.step(action)  episode_return += reward  traj.store_step(action, state, reward, done) replay_buffer.add_trajectory(traj) return_list.append(episode_return) if replay_buffer.size() >= minimal_episodes:  for _ in range(n_train): transition_dict = replay_buffer.sample(batch_size, True) agent.update(transition_dict) if (i_episode + 1) % 10 == 0:  pbar.set_postfix({ \'episode\': \'%d\' % (num_episodes / 10 * i + i_episode + 1), \'return\': \'%.3f\' % np.mean(return_list[-10:])  }) pbar.update(1) episodes_list = list(range(len(return_list))) plt.plot(episodes_list, return_list) plt.xlabel(\'Episodes\') plt.ylabel(\'Returns\') plt.title(\'DDPG with HER on {}\'.format(\'GridWorld\')) plt.show()

5、实验结果  

网络标签：

相关问题