概述
这很重要,因为对于许多实际任务(驾驶、手术、操纵)来说,表现出良好的行为比编写奖励函数要容易得多。
深入探討
模仿學習根據專家在環境中行動的記錄範例(通常是觀察結果和專家採取的行動對)來訓練策略。最簡單的形式,行為克隆,將其視為簡單的監督學習:在給定狀態下預測專家的行為。當獎勵很難具體說明但演示很豐富時,就像在人類駕駛日誌上訓練的自動駕駛汽車或透過遠端操作教導的機器人一樣,它很有吸引力。典型的弱點是分佈偏移或複合誤差:微小的預測錯誤會將智能體推入專家從未訪問過的狀態,在該狀態下它沒有指導並進一步偏離軌道。像 DAgger 這樣的方法透過反覆向專家詢問學習者實際達到的狀態來解決這個問題。
現實世界的實施
根據人類駕駛記錄訓練的自動駕駛汽車感知轉向模型
機器人手臂透過遠端操作演示學習折疊衣物或堆疊物體
遊戲代理從記錄的人類重播中引導,然後使用 RL 進行微調
手術和輔助機器人透過專家操作員示範學習動作
模仿學習的未來
模仿學習是機器人基礎模型興起的核心,其中單一策略在巨大的多任務遠端操作資料集上進行訓練,並針對新技能進行微調。期望與語言和視覺更緊密地融合,以便機器人模仿影片或指令,以及透過克隆引導然後透過強化學習進行改進的混合體。透過模擬和眾包人類遊戲數據以低成本擴展演示收集仍然是關鍵瓶頸和活躍前沿。
付諸實踐
為什麼這很重要
- 成本與預算. 多年來,架構決策決定著效能和營運成本。
- 更明確的決策. 技術教育幫助團隊選擇正確的堆疊,而不僅僅是最新的堆疊。
- 品質管控. 更好的工程選擇可以減少生產中的可靠性事故。
留意
- 優化一項基準測試可以隱藏更廣泛的系統弱點。
- 基礎設施和維護成本常常被低估。
- 隨著系統變得更加複雜,安全性和可觀察性差距可能會擴大。
後續步驟
- 在實施之前定義延遲、品質和成本目標。
- 在實際負載和資料條件下進行基準測試。
- 儀器監控錯誤、漂移和使用者影響。
- 在擴展之前準備回滾和事件回應路徑。
不斷探索
常見問題
什麼是模仿學習?
模仿學習教導人工智慧透過複製專家演示來執行任務,而不是從試錯獎勵中學習。這很重要,因為對於許多實際任務——駕駛、手術、操縱——表現出良好的行為比編寫獎勵函數要容易得多。
在模仿学习中,智能体如何获得其行为?
模仿學習訓練代理人重現專家演示中顯示的行為,而不是透過獎勵驅動的試誤來發現行為。
行為複製將模仿學習視為哪一類問題?
行為克隆將演示視為標記數據,並學習預測專家對每個觀察到的狀態的操作,就像監督學習一樣。
什麼問題導致行為克隆在長動作序列上失敗?
微小的動作錯誤會將智能體推入專家從未展示過的狀態;如果沒有指導,錯誤就會累積,代理人會進一步偏離專家的軌跡。
DAgger 演算法如何解決這個弱點?
DAgger 推出當前策略,讓專家標記新訪問的狀態,並對聚合資料集進行重新訓練,以便訓練資料與學習者自己的狀態分佈相符。
為什麼對於駕駛等任務,模仿學習通常比強化學習更受青睞?
對於複雜的現實任務,編寫捕獲良好行為的獎勵是很困難的,而展示良好行為的範例(人類駕駛日誌)則相對容易。