DeepMind&OpenAI这回联手展示了一手安全强化学习模型的好活。
他们把二维的安全RL模型ReQueST推向了更实用的3D场景中。
要知道ReQueST原来只是应用在导航任务，2D赛车等二维任务中，从人类给出的安全轨迹中学习如何避免智能体“自残”。
但是在实际的3D环境中问题更为复杂，例如执行任务的机器人需要在工作中避障，自动驾驶的汽车需要避免开到沟里去。
但是在实际的3D环境中问题更为复杂，例如执行任务的机器人需要在工作中避障，自动驾驶的汽车需要避免开到沟里去。
那么问题来了，用于2D任务的ReQueST在复杂的3D环境中还能行吗？在3D环境中人类给出的安全轨迹数据的质和量还能满足训练的需要吗？
针对这两个问题，DeepMind和OpenAI拿出了更复杂的动力模型和融入了人类反馈的奖励模型，成功将ReQueST迁移到3D环境中，向应用推进了一步。
并且安全性也有所提升，实验中智能体不安全行为数量减至baseline的十分之一。
怎么能直观地感受一下？我们到模拟3D环境中看一看。
在上图的场景中，房间左上侧是一个悬崖，智能体需要在房间两侧指示灯绿色消失之前，尽量吃到三个苹果。
其中一个苹果还需要踩按钮开门才能吃到。
在展示的视频中，智能体踩住按钮，打开闸门，成功吃到被关住的苹果，一套操作行云流水。
我们来看看它是怎么做到的。
在ReQueST的基础上，DeepMind和OpenAI需要解决的问题就是适用于3D场景的动力模型和奖励模型。
我们先从整体的流程上看一下这两者的角色。
如下图所示，是新模型对于吃苹果任务的训练流程。
浅蓝色框代表的是动力模型参与的步骤。从上面一排开始，由人提供一些安全的轨迹，避开红色的危险区域。
根据这些训练出动力模型，然后用它生成一些随机的轨迹。
接着到下面一排，让人类根据这些随机的轨迹，以奖励草图的方式提供反馈，再用这些奖励草图，训练初始的奖励模型，并依此不断地优化两者。
接下来我们分别介绍这两个模型。
这次DeepMind和OpenAI使用的动力模型使用LSTM依据动作序列和过去的图像观测预测未来的图像观测。
模型和ReQueST中的类似，就是编码器网络和反卷积解码器网络更大了点，并使用真实图像观测和预测值的均方误差损失进行训练。
最重要的是，这种损失建立在对每个步骤的未来多个步骤的预测上，从而使动力模型在长时间的部署中也能保持连贯性。
得到的训练曲线如下图所示，横轴代表步数，纵轴代表损失，不同颜色的曲线代表不同量级的轨迹数量：
此外，在奖励模型部分，DeepMind和OpenAI训练了一个220万参数的11层残差卷积网络。
输入为96×72的RGB图像，输出一个标量奖励预测，损失也是用均方误差。
在这个网络里，人类反馈的奖励草图也起到了很重要的作用。
奖励草图简单来说就是人工给奖励值打分。
如下图所示，图中上半部分就是人给出的草图，当下半部分的预测观察中有苹果的时候，奖励值就是1，如果苹果逐渐从视野中淡出，奖励就变成-1。
以此来调整奖励模型网络。
接下来我们来看看新模型和其他模型以及Baseline的对比效果如何。
结果如下图所示，不同的难度对应的是场景大小的不同。
下图左边是智能体从悬崖摔下去的次数，右边是吃掉苹果的数量。
需要注意的是，图例中的ReQueST（ours）代表训练集中包含了人类提供错误路径的训练结果。
而ReQueST（safe-only）代表训练集中只使用安全路径的训练结果。
另外，ReQueST（sparse）是不用奖励草图训练的结果。
从中可以看出，虽然Model-free这条baseline吃掉了所有的苹果，但是牺牲了很多安全性。
而ReQueST的智能体平均能吃掉三个苹果中的两个，并且跌落悬崖的数量只是baseline的十分之一，性能比较出众。
从奖励模型的区别上来看，奖励草图训练的ReQueST和稀疏标签训练的ReQueST效果相差很大。
稀疏标签训练的ReQueST平均一个苹果也吃不到。
看来，DeepMind和OpenAI抓的这两点确有改善之处。
参考链接：
[1]https://www.arxiv-vanity.com/papers/2201.08102/[2]https://deepmind.com/blog/article/learning-human-objectives-by-evaluating-hypothetical-behaviours
“
