我试图使用continuous action-space DDPG来解决以下控制问题。目标是在一个有边界的二维区域内,通过被告知每一步距离目标位置有多远(类似于儿童游戏中玩家由"temperature" levels, hot and cold引导)走向最初未知的位置。在
在设置中,目标位置是固定的,而代理的起始位置随着情节的变化而变化。我们的目标是学习如何尽快朝目标位置走去。探员的观察只包括其当前位置。关于奖励设计,我考虑了Reacherenvironment,因为它涉及一个类似的目标,并且类似地使用了control reward和distance reward(见下面的代码)。离目标越来越近会产生更大的回报,而越接近目标的代理人就越应该倾向于较小的行动。在
对于实现,我考虑了openai/spinningup包。关于网络体系结构,我认为,如果目标位置已知,则最佳操作将是action = target - position
,即策略pi(x) -> a
可以建模为单个密集层,目标位置将以偏差项的形式学习:a = W @ x + b
,其中,在收敛后(理想情况下)W = -np.eye(2)
和{a = a / tf.norm(a) * action_limit
。这样可以保持朝向目标的方向,因此类似于最佳动作。我为策略网络使用了这个定制的体系结构,以及带有3个隐藏层的标准MLP体系结构(参见下面的代码和结果)。在
在MLP案例中运行了大约400集的算法,在定制策略案例中运行了700集,每集运行了1000步之后,它似乎没有学到任何有用的东西。在测试运行期间,平均回报率没有增加,当我检查三个不同起始位置的行为时,它总是朝着这个区域的(0, 1)
角走;即使它在目标位置旁边开始,它也会经过它,朝着(0, 1)
角走去。我注意到定制策略体系结构代理导致测试集返回的标准偏差要小得多。在
我想知道为什么算法对于给定的设置没有学到任何东西,以及为了使它收敛需要做些什么改变。我不能用一个概念性的问题来解决问题。不过,我无法确定问题的根源,所以如果有人能帮忙,我会很高兴的。在
平均测试返回(自定义策略架构):
(竖线表示测试集返回的标准偏差)
平均测试回报(MLP策略架构):
测试用例(自定义策略架构):
测试用例(MLP策略架构):
import logging
import os
import gym
from gym.wrappers.time_limit import TimeLimit
import numpy as np
from spinup.algos.ddpg.ddpg import core, ddpg
import tensorflow as tf
class TestEnv(gym.Env):
target = np.array([0.7, 0.8])
action_limit = 0.01
observation_space = gym.spaces.Box(low=np.zeros(2), high=np.ones(2), dtype=np.float32)
action_space = gym.spaces.Box(-action_limit * np.ones(2), action_limit * np.ones(2), dtype=np.float32)
def __init__(self):
super().__init__()
self.pos = np.empty(2, dtype=np.float32)
self.reset()
def step(self, action):
self.pos += action
self.pos = np.clip(self.pos, self.observation_space.low, self.observation_space.high)
reward_ctrl = -np.square(action).sum() / self.action_limit**2
reward_dist = -np.linalg.norm(self.pos - self.target)
reward = reward_ctrl + reward_dist
done = abs(reward_dist) < 1e-9
logging.debug('Observation: %s', self.pos)
logging.debug('Reward: %.6f (reward (ctrl): %.6f, reward (dist): %.6f)', reward, reward_ctrl, reward_dist)
return self.pos, reward, done, {}
def reset(self):
self.pos[:] = np.random.uniform(self.observation_space.low, self.observation_space.high, size=2)
logging.info(f'[Reset] New position: {self.pos}')
return self.pos
def render(self, *args, **kwargs):
pass
def mlp_actor_critic(x, a, hidden_sizes, activation=tf.nn.relu, action_space=None):
act_dim = a.shape.as_list()[-1]
act_limit = action_space.high[0]
with tf.variable_scope('pi'):
# pi = core.mlp(x, list(hidden_sizes)+[act_dim], activation, output_activation=None) # The standard way.
pi = tf.layers.dense(x, act_dim, use_bias=True) # Target position should be learned via the bias term.
pi = pi / (tf.norm(pi) + 1e-9) * act_limit # Prevent division by zero.
with tf.variable_scope('q'):
q = tf.squeeze(core.mlp(tf.concat([x,a], axis=-1), list(hidden_sizes)+[1], activation, None), axis=1)
with tf.variable_scope('q', reuse=True):
q_pi = tf.squeeze(core.mlp(tf.concat([x,pi], axis=-1), list(hidden_sizes)+[1], activation, None), axis=1)
return pi, q, q_pi
if __name__ == '__main__':
log_dir = 'spinup-ddpg'
if not os.path.exists(log_dir):
os.mkdir(log_dir)
logging.basicConfig(level=logging.INFO)
ep_length = 1000
ddpg(
lambda: TimeLimit(TestEnv(), ep_length),
mlp_actor_critic,
ac_kwargs=dict(hidden_sizes=(64, 64, 64)),
steps_per_epoch=ep_length,
epochs=1_000,
replay_size=1_000_000,
start_steps=10_000,
act_noise=TestEnv.action_limit/2,
gamma=0.99, # Use large gamma, because of action limit it matters where we walk to early in the episode.
polyak=0.995,
max_ep_len=ep_length,
save_freq=10,
logger_kwargs=dict(output_dir=log_dir)
)
您正在使用一个巨大的网络(64x64x64)来解决一个非常小的问题。光是这一点就可能是个大问题。你还需要在内存中保存1百万个样本,同样,对于一个非常简单的问题来说,这可能是有害的,而且收敛速度很慢。首先尝试一个更简单的设置(32x32网络和100000内存,甚至是具有多项式特性的线性近似器)。另外,你如何更新你的目标网络?什么是
polyak
?最后,像这样规范化操作可能不是一个好主意。最好只是剪辑或使用一个棕褐色的层结束。在相关问题 更多 >
编程相关推荐