参与：黄玉胜、吴攀

　　强化学习（RL）和生成对抗网络（GAN）都是近来的热门研究主题，已经在许多领域得到了非常出色的表现。近日，伯克利和 OpenAI 的一项新研究将这两者组合到了一起。在一篇名为《用于强化学习智能体的自动目标生成（Automatic Goal Generation for Reinforcement Learning Agents）》的论文中，研究者提出了一种让智能体可以自动发现目标的方法。机器之心对该论文进行了摘要介绍，论文原文请参阅：https://arxiv.org/abs/1705.06366

强化学习是一种训练智能体执行任务的强大技术。然而，强化学习训练的智能体只能通过其奖励函数（reward function）实现单一任务，这种方法不能很好地扩展到智能体需要执行各种不同的任务集合中，开奖，j2直播，例如导航到房间的不同位置或将物体移动到不同位置。相反，我们提出了一种允许智能体自动发现其能够执行的任务范围的方法。我们使用生成器网络给智能体提出任务，然后试着实现并将其作为目标状态（goal state）。该生成器网络使用对抗训练进行优化，以产生总是处于合适难度的智能体任务。因此，我们的方法自动生成任务，以供智能体学习。我们表明，通过使用此框架，智能体可以高效自动地学习执行广泛的任务，而不需要任何预先的环境知识。我们的方法也可学习以稀疏奖励（sparse reward）来完成任务，而在以往这是重大的挑战。

　　算法 1：训练目标 GAN（Goal GAN）

　　算法 2：生成式目标学习

　　图 1：我们的迷宫环境；以橙色显示的智能体必须移动到的一个目标位置（以红色显示），采样工作是在任务开始的时候开始的。迷宫墙呈灰色。

　　图 2：我们的方法（蓝色）和基准方法（红色）训练效率学习曲线的比较。y 轴表示迷宫中所有目标位置的平均回报，x 轴显示了新目标已被采样的次数（对于两种方法，该策略都针对相同次数的迭代进行训练），所有的点均为在 5 个随机种子（seed）上的平均值。

　　图 3：Goal GAN 采样的目标（与图 4 相同的训练方法）。当前方法与难度相适应就是「好目标」。

　　图 4：可视化状态空间不同部分的策略表现（与图 3 相同的训练策略）。说明一下，可行状态空间（即，迷宫内的空间）被划分为网格，并且从每个网格单元的中心选择目标位置。每个网格单元根据此目标实现的预期回报进行着色：红色表示 100% 的成功，蓝色表示 0% 成功。

　　表 1：在完整的状态空间中可行目标的百分比

　　图 5：二维和三维点质量的可视化，可行区域以蓝色界定。在（a）中的点是均匀采样的可行位置。如果智能体可以到达它们，则点为绿色，否则为红色。图中的线是观察到的特定推出，并且颜色匹配交叉是智能体在每种情况下试图达到的特定目标。在（b）中，我们通过 Goal GAN 绘制初始采样生成，采用我们的技术初始化生成器。

　　图 6：当维度越来越大时，在 N 维点质量环境中获得的覆盖率（即每个策略可以达到的目标的百分比，返回值大于 Rmax）。每种方法已经产生了 200 次新目标，每个策略都用相同的总迭代次数进行训练。所有的图均为在 5 个随机种子（seed）上的平均值。