近年來，無人機已被廣泛應(yīng)用于很多領(lǐng)域，它不僅可以完成很多的任務(wù)，包括軌跡規(guī)劃、避障、巡航等，在民用、軍事都有很廣泛應(yīng)用，而且還有降低成本、提高效率、減少損失等很多作用。

但是傳統(tǒng)的無人機任務(wù)都采用飛控控制，需要人為操作。為了使無人機可以具備更廣的適用性，或者從技術(shù)上來說擁有更好的泛化能力，深蘭科學(xué)院嘗試用強化學(xué)習(xí)來訓(xùn)練無人機做指定的任務(wù)。如果訓(xùn)練效果能夠達到足夠穩(wěn)定的性能，則可以進一步實現(xiàn)商用目的。本文在此基礎(chǔ)上，帶大家簡單了解一下強化學(xué)習(xí)的基礎(chǔ)知識。

強化學(xué)習(xí)小課堂

什么是強化學(xué)習(xí)？

1、強化學(xué)習(xí)

強化學(xué)習(xí)（Reinforcement Learning RL）也有很多其他名字，例如再勵學(xué)習(xí)、增強學(xué)習(xí)、評價學(xué)習(xí)，是機器學(xué)習(xí)的范式和方法論之一，用于描述和解決智能體在與環(huán)境的交互過程中，通過學(xué)習(xí)策略以達成回報最大化或?qū)崿F(xiàn)特定目標(biāo)的問題。

上圖為經(jīng)典的強化學(xué)習(xí)結(jié)構(gòu)圖，從圖片中可以看出，強化學(xué)習(xí)過程主要由4部分構(gòu)成：智能體（agent）、觀測到的狀態(tài)（observation／state）、獎勵（reward）和行為（action）。

一個強化學(xué)習(xí)的過程中，智能體獲得從當(dāng)前環(huán)境中觀測到的狀態(tài)，然后根據(jù)這一狀態(tài)采取一定的行為或策略，同時，有一個評價系統(tǒng)來評價這個行為的好壞，并返回正／負獎勵給到智能體。循環(huán)往復(fù)，直到完成整個任務(wù)，此為一次強化學(xué)習(xí)的交互。整個強化學(xué)習(xí)訓(xùn)練過程就是，智能體與環(huán)境不斷的交互，最終會學(xué)習(xí)到合理的策略，讓獎勵最大或者達到某個任務(wù)（指定的狀態(tài)）。

強化學(xué)習(xí)受行為主義心理學(xué)的啟發(fā)，例如巴甫洛夫條件反射實驗，訓(xùn)練搖鈴小狗流口水。小狗看到吃的流口水、搖鈴不流口水，實驗中就采取搖鈴并給狗喂狗糧的方法不停訓(xùn)練，最終即使在沒有狗糧，只搖鈴的情況下，小狗也會流口水。

強化學(xué)習(xí)與此類似，是讓智能體在與環(huán)境交互的過程中，一旦選擇對的行為則給予正獎勵加強這種行為，在不斷的訓(xùn)練過程中使得智能體選擇最合適的行為，最終使得智能體的每一步都能選擇合理的行為，從而達到整體任務(wù)獎勵最大化，并完成任務(wù)。

2、深度強化學(xué)習(xí)

我們一般所說的強化學(xué)習(xí)其實是深度強化學(xué)習(xí)（Deep Reinforcement Learning DRL），深度強化學(xué)習(xí)是強化學(xué)習(xí)與深度學(xué)習(xí)結(jié)合的結(jié)果。顧名思義，就是將傳統(tǒng)強化學(xué)習(xí)中的某一部分用深度學(xué)習(xí)來完成。

傳統(tǒng)強化學(xué)習(xí)中的行為以及價值都是需要人為定義的，這也就是為什么傳統(tǒng)強化學(xué)習(xí)起源較早，但是應(yīng)用并不廣泛的原因之一。而深度學(xué)習(xí)恰好將這一問題解決了，強化學(xué)習(xí)中的行為以及價值都用一個深度學(xué)習(xí)的網(wǎng)絡(luò)來學(xué)習(xí)得到，這樣不需要人為設(shè)定，使得強化學(xué)習(xí)可以廣泛應(yīng)用于很多領(lǐng)域。而傳統(tǒng)強化學(xué)習(xí)無法解決的連續(xù)性動作的問題，深度強化學(xué)習(xí)也可以解決，使用對應(yīng)的Actor－critic網(wǎng)絡(luò)即可。

深度強化學(xué)習(xí)的分類，有很多種分類標(biāo)準(zhǔn)。

從智能體的個數(shù)上，可分為單智能體算法和多智能體算法；

從是否基于模型的角度，可分為model－based和model－free；

從訓(xùn)練時策略的選擇，可分為on－policy和off－policy等等。

這里不一一展開，但在實際運用強化學(xué)習(xí)的時候，根據(jù)具體的任務(wù)或者項目，需要選擇合適的深度強化學(xué)習(xí)算法。