Model Based Reinforcement Learning

Transcript

1. ⾼橋研 Model Based RL勉強会 GPIRL / IOC / MaxEnt 第３回 2019/05/18 GitHub: https://github.com/watakandhi Qiita: https://qiita.com/watakandhi Twitter: https://twitter.com/watakandhi
2. 本⽇のおしながき Sergey Levineらの論⽂３つ （上２つはSergeyがFirst Author） • Nonlinear Inverse Reinforcement Learning with Gaussian Processes, NIPS, 2011 → MaxEntモデルを⾮線形・連続なものに対応させたよ • Continuous Inverse Optimal Control with Locally Optimal Examples, ICML, 2012 → MaxEntモデルをよりscalable（広い連続領域）にしたよ → 直接近似とLQRの両⽅の枠組みで共通の式を導出したよ • Inverse Optimal Control for Humanoid Locomotion, RSS, 2013 → ⾼次元なものに対しても⼯夫するだけで応⽤できるよ → しかも未知環境においても⼈らしい歩⾏を実現できるよ なーんだ、同じ⼿法で３つ出したんか・・・ ではなく、それぞれすごい・・・・・
3. 勉強会の⽬的 • 「最適制御」と「強化学習」の組み合わせ 制御⼯学 CS・機械学習 機械学習 ・ RL 確率・統計 最適化 制御⼯学 最適制御 モデルベースRL Computer Science ここを⽬指す
4. モデルベースRLといっても Model Based Reinforcement Learning for Atari 環境のモデル化を学習 GPIRL / IOC / MaxEnt 軌跡から報酬（コスト関数）を学習 ⾊々ある！ PILCO ダイナミクスのモデルを学習
5. GPIRLの概要（アルゴリズム） • ⼀⾔でいうと • Expertの軌跡から最適⽅策を学習 • 既存のMaxEnt学習⽅法を⾮線形にも対応させた • すごいこと • 近似解を線形の計算量で解いたこと • 線形・⾮線形なモデルに対しても対応可能 • 離散・連続系にも対応可能
6. そもそもRLは無駄が多い・・
7. ⼈から最適⽅策πを学習しよう • このまま学習すると同じ動きしかできない・・ • 新しい場⾯に対応できない
8. Expertの⽅策となるような報酬 を学習しよう • 強化学習の⽬的 • 割引報酬の合計の期待値を最⼤化する最適⽅策 を学習 • 逆強化学習 • Expert軌跡 を算出するような最適⽅策 を 算出する報酬 を学習 • パラメタライズされた報酬から得られたデータが 尤もらしくなるようなパラメータを最適化で決定する • MaxEntモデル 軌跡をとる確率 状態 ⾏動 軌跡 これの尤度を計算し、最適化するパラメータを探す
9. MaxEntが何しているか start end 本来であればデータがある所のみ報酬が⼤きくなる • 報酬関数が偏る • 新しい環境に対応できない 訪れていない所も⼀様にするためにエントロピー（不規則性）を最⼤化する 軌跡 軌跡を取る確率 ＊イメージ
10. MaxEnt Modelの導出 • エントロピーの最⼤化 • 少ない軌跡から尤もらしい報酬を学習 • ラグランジュ関数 • としたときに 線形の特徴量 / expertに⼀致 ここで 特徴 Expert特徴 0 ~ 1の確率 取るべき⾏動は報酬のexpに⽐例する エントロピー 微分可能！！ s.t. Expertと特徴が⼀致するような制約
11. とおくと 定数を より 定数 よって と決まる。 と求まる。
12. MaxEnt / GPIRL • MaxEntモデルにおける⽬的 • Expertのような軌跡を通る⽅策πを導出する報酬 r をデー タから獲得すること • 報酬の近似 • MaxEnt: • FIRL: • GPIRL: • NN: 状態⾏動空間全てにおける報酬を獲得するのは難しい ので、どうにかして近似解を求める θはパラメータ φは⾮線形関数 ← ガウス過程の平均関数の出⼒ 線形で表せない特徴量には向いていない → ⾮線形にも対応できるようにしよう
13. 報酬の⽐較 こうした⾮線形な領域も復元できるようにする
14. GPIRL導出 • MaxEntより • ⾏動価値関数 & ソフトな価値関数 • 軌跡に対する尤度 つまり、訪れた場所しか確率として算出しない → 新しい場所に対応できない → 周辺の近似が必要 と仮定すると ソフトを仮定すると
15. GPIRL導出 ガウス過程(GP)で⾮線形報酬関数を近似しよう ガウス過程のイメージ データDと特徴量Xuから 尤もらしい報酬uと パラメータθを推定 特徴量Xu のみから推定 さっきの式 Q・V分かればOK Kernelから算出可能 GPのパラメータを学習しつつ報酬を学習（ベイズ推定） 状態量x全てにおいてrを算出するのはO(N3)で計算時間が爆発するので 少ない代表点だけで近似しましょう（Sparse Gaussian Process Approximations） ここでuは報酬rの推定値 ≠ ⼊⼒u 特徴量
16. 全てのrについて積分すること は不可能 Value Iteration で得られる GPの事前分布 • uの平均で近似しよう GPの事前確率分布 IRLの尤度 の元、Value IterationしてQとVの差分から算出可能 Kernelから算出可能 近似した結果 GPを線形で計算できるで
17. 結果 - サンプルが増えるほど 精度は良くなっている - GPIRLはExpert軌跡が準最 適⽅策によるものを仮定 （MaxEnt）＆⾮線形関数 を表せているため他の⼿ 法より精度がよい - ⾊（次元）が増えると精 度が下がる → GPの汎化性が下がる？？ → 広い連続空間には適⽤ できない⼿法では？
18. Continuous Inverse Optimal Control with Locally Optimal Examples • GPIRL • 動的モデル はない • GPで付近を近似 • IOC • 報酬rを時系列に沿って 算出 • 軌跡→動的モデル作成 →報酬の勾配とヘシアン →尤度関数 →パラメータ獲得 特徴量 Xu 報酬 u カーネル関数を通して付近の 平均を近似 Goal 動的モデル At, Bt 空間
19. ここから 状態s=x, ⾏動a=u
20. 導出 • 軌跡を選ぶ確率（＝⽅策） • 報酬rを軌跡（時系列）にそってテイラー展開 r(a) g 報酬は⾏動aにしか依存しないことを仮定している なぜか？ それは動的モデルがある前提をしているため、⾏動 が分かれば はわかる。つまり報酬関数は のみの関数としてみなせる。 付近の報酬のみを使って 正規化
21. 導出 • みんな⼤好きテイラー展開！ • に代⼊すると • Logとって これを最適化する 線形近似した付近でuを取る確率 uを取る尤もらしさ
22. ⾏列の平⽅完成 ガウス積分の公式より
23. gとHの算出 • 後はAppendix⾒て頑張ってください・・・・ • T時間に線形で計算できる これが直接MaxEntにぶっこんだ導出⽅法
24. Break
25. LQR による導出 ⽬的： を導出したい • 偏差系にする • 線形モデルを仮定 • 報酬をxt, ut周りでテーラー展開 • LQRより価値関数Vは２次の項と1次の項で表せる • そして LQRでは状態の項が⼊ってくる MaxEntモデルによると！ この２つがわかればよい Vtをどうにかして表したい
26. LQRおさらい • ⽬的 • 時刻tでのコスト関数とモデル • コストを微分して、=０にすると • みんなの⼤好きLQR
27. LQRおさらい • に最適⼊⼒を代⼊すると • まとめると これをT-1ステップでも同じことやると、 その時刻の状態のみに依存した価値関数が表せる
28. 戻って • さきほどの にそれぞれ代⼊する • ソフトな価値関数は と表せるので代⼊する モデル代⼊
29. 導出 • 確率Pに代⼊ • 尤度関数は • ごりごり直接計算したものと同じ さらにここからが⾯⽩い・・・・
30. Inverse Optimal Control for Humanoid Locomotion LQRベース尤度関数 iLQRの式による書き換え ⼀致する。LQRベースで解いているからそうなんだけど、 MaxEntモデルを直接解いた場合とも⼀致する ということは・・・・・
31. MaxEntとiLQR • iLQRで最適化した⾏動価値関数（コスト関数） はMaxEntモデルで最適化した価値関数と等価 • 軌跡の確率（＝⽅策） • ソフトは価値関数（そうなるようにソフトと仮定しているものの） ここで渡邊の興味は終わりました。
32. ⼀応実験結果のせとく ローカル最適化のサンプルでも学習できる 逆に⾔うとグローバル最適化にスケールできない ⾮線形なrewardも 学習できたよ ⾃由度が増加しても⼤丈夫！！！ 計算時間は増えるけど exponentialではない Continuous Inverse Optimal Control with Locally Optimal Examples
33. Inverse Optimal Control for Humanoid Locomotion • 学習した報酬をどう使うかの紹介論⽂ • LQRベースで学習した報酬は最適⼊⼒が決まる • じゃあ特徴量は何使えばよい？ • Torque Minimization & Joint Angle Regularization • Root Position and Velocity
34. 地⾯変わっても⾃然の歩⾏ できたでー
35. 本・論⽂・著者 Rasmussen (PILCOもこの⼈) - GPの使い⼿。モデルベース強化学習の代表格 • Gaussian process dynamic programming • Gaussian processes in reinforcement learning • Gaussian Processes for Machine Learning • Ziebart & Bagnell • Modeling Purposeful Adaptive Behavior with the Principle ofMaximum Causal Entropy, Ph.D. Thesis • これにMaxEntやIOCの基礎となる理論の導出が載っている