一文了解【行為克隆 (Behavior Cloning)】

模仿學習 (Imitation Learning) 與強化學習一樣，為了學習策略網(wǎng)絡，從而控制智能體。但是！兩者原理不同，

模仿學習向人類專家學習，目標是讓策略網(wǎng)絡做出的決策與人類專家相同。

強化學習利用環(huán)境反饋的獎勵改進策略，目標是讓累計回報最大化。

本文介紹模仿學習中最簡單和基礎的行為克隆(Behavior Cloning)，并總結它與強化學習的區(qū)別與結合。

含義

行為克隆的目的是模仿人的動作，學出一個隨機策略網(wǎng)絡 π(a|s; θ) 或者確定策略網(wǎng)絡 μ(s; θ)。雖然行為克隆的目的與強化學習中的策略學習類似，但是行為克隆的本質是監(jiān)督學習（分類或者回歸），而不是強化學習。行為克隆通過模仿人類專家的動作來學習策略，而強化學習則是從獎勵中學習策略。

模仿學習需要一個事先準備好的數(shù)據(jù)集，由（狀態(tài)，動作）這樣的二元組構成，

其中sj 是一個狀態(tài)，而對應的 aj 是人類專家基于狀態(tài) sj 做出的動作?？梢园?sj 和 aj分別視作監(jiān)督學習中的輸入和標簽。

連續(xù)控制問題

動作空間 A 是連續(xù)集合，行為克隆用回歸的方法訓練確定策略網(wǎng)絡。

定義損失函數(shù)：

損失函數(shù)越小，說明策略網(wǎng)絡的決策越接近人的動作。用梯度更新 θ：

離散控制問題

動作空間 A 是離散集合，行為克隆把策略網(wǎng)絡 π(a|s; θ) 看做一個多類別分類器，用監(jiān)督學習的方法訓練這個分類器。

行為克隆與強化學習對比

前面反復講過，行為克隆不是強化學習。強化學習讓智能體與環(huán)境交互，用環(huán)境反饋的獎勵指導策略網(wǎng)絡的改進，目的是最大化回報的期望。行為克隆的本質是監(jiān)督學習，利用事先準備好的數(shù)據(jù)集，用人類的動作指導策略網(wǎng)絡的改進，目的是讓策略網(wǎng)絡的決策更像人類的決策。

行為克隆訓練出的策略網(wǎng)絡通常效果不佳。人類不會探索奇怪的狀態(tài)和動作，因此數(shù)據(jù)集上的狀態(tài)和動作缺乏多樣性。在數(shù)據(jù)集上做完行為克隆之后，智能體面對真實的環(huán)境，可能會見到陌生的狀態(tài)，智能體的決策可能會很糟糕。行為克隆存在“錯誤累加”的缺陷。假如當前智能體的決策 at 不夠好。那么下一時刻的狀態(tài) st+1 可能會比較罕見，于是智能體的決策 at+1 會很差；這又導致狀態(tài) st+2 非常奇怪，使得決策 at+2 更糟糕。行為克隆訓練出的策略常會進入這種惡性循環(huán)。
強化學習效果通常優(yōu)于行為克隆。如果用強化學習，那么智能體探索過各種各樣的狀態(tài)，嘗試過各種各樣的動作，知道面對各種狀態(tài)時應該做什么決策。智能體通過探索，各種狀態(tài)都見過，比行為克隆有更多的“人生經(jīng)驗”，因此表現(xiàn)會更好。

強化學習的一個缺點在于需要與環(huán)境交互，需要探索，而且會改變環(huán)境。 而在現(xiàn)實探索的代價有時是很大的，比如手術機器人和無人車。
行為克隆的優(yōu)勢在于離線訓練，可以避免與真實環(huán)境的交互，不會對環(huán)境產生影響。假如用行為克隆訓練手術機器人，只需要把人類醫(yī)生的觀測和動作記錄下來，離線訓練手術機器人，而不需要真的在病人身上做實驗。盡管行為克隆效果不如強化學習，但是行為克隆的成本低。可以先用行為克隆初始化策略網(wǎng)絡，而不是隨機初始化，然后再做強化學習，這樣可以減小對物理世界的有害影響。

本文內容為看完王樹森和張志華老師的《深度強化學習》一書的學習筆記，十分推薦大家去看原書！