強(qiáng)化學(xué)習(xí)（RL）在復(fù)雜任務(wù)上取得了令人矚目的成果，但在具有不同實(shí)施方式的多任務(wù)設(shè)置中存在困難。世界模型通過學(xué)習(xí)環(huán)境的模擬來提供可伸縮性，但它們通常依賴于低效的無梯度優(yōu)化方法。近日，佐治亞理工學(xué)者聯(lián)合英偉達(dá)、加州大學(xué)圣地亞哥分校等學(xué)者提出了基于大世界模型的策略學(xué)習(xí)（PWM），這是一種新穎的基于模型的RL算法，它從大型多任務(wù)世界模型中學(xué)習(xí)連續(xù)控制策略。通過對離線數(shù)據(jù)進(jìn)行世界模型的預(yù)訓(xùn)練，并將其用于一階梯度策略學(xué)習(xí)，PWM有效地解決了具有多達(dá)152個動作維度的任務(wù)，并且勝過使用真實(shí)動力學(xué)的方法。此外，PWM在80個任務(wù)設(shè)置中進(jìn)行了擴(kuò)展，相比于現(xiàn)有基準(zhǔn)方法，其獎勵提高了高達(dá)27％，而無需昂貴的在線規(guī)劃。

方法概述

PWM是一種新穎的基于模型的RL（MBRL）算法和框架，旨在從大型多任務(wù)世界模型中得出有效的連續(xù)控制策略。利用預(yù)訓(xùn)練的TD-MPC2世界模型，在每個任務(wù)中以小于10分鐘的時間高效地學(xué)習(xí)控制策略。對復(fù)雜的運(yùn)動任務(wù)進(jìn)行的實(shí)證評估表明，PWM不僅在獎勵上超過了基準(zhǔn)方法，還勝過了使用真實(shí)模擬動力學(xué)的方法。

PWM的預(yù)告結(jié)果

對高維連續(xù)控制任務(wù)上的PWM進(jìn)行評估（左圖），發(fā)現(xiàn)它不僅勝過了無模型的基準(zhǔn)方法SAC和PPO，還在獎勵上超過了直接使用模擬器動力學(xué)和獎勵函數(shù)的SHAC方法。在一個包含80個任務(wù)的設(shè)置中（右圖），使用了一個龐大的4800萬參數(shù)的世界模型，PWM能夠持續(xù)勝過使用相同世界模型的TD-MPC2方法，而無需在線規(guī)劃。

單任務(wù)結(jié)果

圖中顯示了50％的IQM（實(shí)線）、均值（虛線）和所有5個任務(wù)和5個隨機(jī)種子的95％置信區(qū)間。PWM能夠獲得比無模型的基準(zhǔn)方法PPO和SAC、使用與PWM相同世界模型的TD-MPC2以及使用真實(shí)動力學(xué)和獎勵函數(shù)的SHAC更高的獎勵。這些結(jié)果表明，經(jīng)過良好正則化的世界模型可以平滑優(yōu)化空間，從而實(shí)現(xiàn)更好的一階梯度優(yōu)化。

多任務(wù)結(jié)果

圖中顯示了PWM和TD-MPC2在30個和80個多任務(wù)基準(zhǔn)測試上的性能，結(jié)果基于10個隨機(jī)種子。PWM能夠在使用相同世界模型且無需任何形式的在線規(guī)劃的情況下勝過TD-MPC2，這使其成為大型世界模型更可擴(kuò)展的方法。右圖將PWM（多任務(wù)策略）與單任務(wù)專家SAC和DreamerV3進(jìn)行了比較。令人印象深刻的是，PWM能夠在多任務(wù)情況下與它們的性能相匹配，同時只使用離線數(shù)據(jù)進(jìn)行訓(xùn)練。

譯自（有刪改）：https://www.imgeorgiev.com/pwm

本文轉(zhuǎn)載自公眾號AIGC最前線   

原文鏈接：??https://mp.weixin.qq.com/s/UQqEdQl1YIuwqp-3ytCMpA??