- 这是ICLR2023一篇world model的论文，提出了一个称为IRIS的world model方法
- 模型仍然是分为两部分，一部分是模拟世界的world model，包括预测下一帧的观测，预测当前reward，预测是否terminate的三个输出；第二部分是强化学习的模型，输出policy和value，可以用于AC算法。
- 模型的训练是重复以下三步：
- 利用当前的policy模型，去和真实环境交互，获得一组观测序列。
- 利用上述观测数据，train world model
- 利用world model，train RL model
world model
- world model 包含几部分，首先是一个VQ-VAE （下图的E和D）用于从图像观测中提取token，然后是一个GPT （下图的G）用于预测下一帧和当前的reward和termination。
- 可以看到，每个时刻，G的输入不仅包含当前时刻的tokens和action，还包含之前的tokens和actions。也就是说，假设每个image最终由16个token表征，action由一个token表征，则t=0时transformer的输入是17个token，t=1时transformer的输入就是34个token了。注意，train world model的时候，是在已经采样好的数据上train的，也就是说此时已经有序列了，不需要交互什么的。我已经采样好一个17n的序列了，只需要对这个序列仅需mask prediction即可，即根据17t的输入，预测17*（t+1）的输出即可，并且使用gt而非预测结果作为下一个t的输入。
- 另一个需要注意的点是，用的是GPT的框架，即transformer decoder结构，所以是token是一个个预测的，也就是说，预测t=1时刻的token并不是一次性全预测出来的，而是先用t=0时刻的17个token作为输入，预测t=1时刻的第一个token，然后把这18个token作为输入，预测第二个token，以此类推。