机器人强化学习入门学习笔记(三)

强化学习(Reinforcement Learning, RL)与监督学习不同------你不需要预先准备训练数据集 ,而是要设计环境奖励函数 ,让智能体通过交互不断探索和学习


🎯 一、强化学习和训练数据的关系

强化学习不依赖固定的数据集。它通过以下过程学习:

复制代码
Agent(智能体) ↔️ Environment(环境)

步骤:
1. Agent 发出动作(action)
2. 环境返回下一个状态(state)和奖励(reward)
3. Agent 更新策略(policy)或 Q 值(value function)

👉 所以"训练数据"来自智能体 与环境的交互记录,包括:

状态(State) 动作(Action) 奖励(Reward) 下一状态(Next State)
sₜ aₜ rₜ sₜ₊₁

这些数据可以存储在 replay buffer(经验回放池) 中。


🚀 二、训练强化学习模型的完整流程

以训练一个 MuJoCo 机器人为例:

✅ 1. 搭建仿真环境(如 MuJoCo + dm_control 或 gym)

  • 设置好状态空间(如关节角度、速度)

  • 定义动作空间(如施加的扭矩)

  • 设计奖励函数(鼓励目标行为,例如走得远、站得稳)

✅ 2. 选择强化学习算法

常见算法有:

算法 类型 适合场景
DQN 离散动作 简单游戏、控制任务
PPO(常用) 连续动作 机器人、复杂控制任务
SAC 连续动作 收敛快、表现更好
TD3 连续动作 高稳定性

建议使用:PPO(最稳定)或 SAC(高性能)

✅ 3. 训练智能体

使用工具框架如:

例子(使用 Stable-Baselines3 训练 PPO):

复制代码
from stable_baselines3 import PPO
from stable_baselines3.common.env_util import make_vec_env

env = make_vec_env("Humanoid-v3", n_envs=4)  # 多环境并行
model = PPO("MlpPolicy", env, verbose=1)
model.learn(total_timesteps=1_000_000)
model.save("ppo_humanoid")

📦 三、Replay Buffer 是"数据容器"

  • off-policy 方法 (如 DQN、SAC)中,agent 会把每个 (s, a, r, s') 存入经验池中,再抽样训练。

  • on-policy 方法(如 PPO)中,agent 每轮采样最新数据,不重复使用。


📊 四、奖励函数的设计建议

  • 稀疏奖励(sparse reward)难训练 ,尽量提供细粒度奖励

  • 结合多个因素(如"走路快 + 身体稳定")用加权和。

  • 奖励平滑、非爆炸。

示例(走路):

复制代码
reward = 1.0 * velocity_forward - 0.1 * energy_used - 5.0 * is_fallen

🧠 五、训练技巧

项目 建议
并行环境 VecEnv 加速样本采集
reward shaping 奖励设计更细致、鼓励期望行为
normalize obs / reward 归一化更易于收敛
curriculum learning 从简单任务逐步提升难度
checkpointing 定期保存模型,防止崩掉

🛠 六、可视化训练过程

  • 使用 TensorBoard

  • 使用 Stable-Baselines3 的 logger 自动记录

    tensorboard --logdir logs/


✅ 七、模型保存

RL 训练会保存 actor.ptcritic.pt 和 experiment.pkl 这几个文件,以及它们各自的作用。


1. actor.pt

  • 作用:保存了策略网络(Policy Network)的参数。
  • 内容:通常是一个 PyTorch 的神经网络模型(即 policy),它根据观测(observation)输出动作(action)。
  • 用途:在评估、部署或继续训练时,直接加载该文件即可恢复智能体的决策能力。

2. critic.pt

  • 作用:保存了价值网络(Value Network)的参数。
  • 内容:同样是一个 PyTorch 神经网络模型,用于评估当前状态(或状态-动作对)的价值(value)。
  • 用途:在训练时用于计算优势函数(advantage),帮助策略网络更好地学习。评估时有时也会用到。

3. experiment.pkl

  • 作用:保存了实验的超参数、配置和训练参数。
  • 内容:通常是一个 Python 字典,包含训练时用到的所有参数(如学习率、环境名、网络结构、采样步数等)。
  • 用途:方便后续复现实验、评估模型时自动加载一致的参数,或继续训练时恢复原始设置。

4. 为什么要分开保存?

  • 可复现性:分开保存可以让你随时恢复训练、评估或部署,且能追溯训练时的所有细节。
  • 灵活性:你可以只加载 policy(actor)做推理,也可以加载全部继续训练。
  • 兼容性:不同 RL 算法可能只需要其中一部分(如无 critic 的算法只保存 actor)。

5. 示例

复制代码
###Apply to requirements...

path_to_actor = Path(args.path, "actor.pt")

path_to_critic = Path(path_to_actor.parent, "critic" + str(path_to_actor).split('actor')[1])

path_to_pkl = Path(path_to_actor.parent, "experiment.pkl")

# 加载参数

run_args = pickle.load(open(path_to_pkl, "rb"))

policy = torch.load(path_to_actor, weights_only=False)

critic = torch.load(path_to_critic, weights_only=False)

评估时会自动加载这三个文件,确保模型和参数与训练时完全一致。例如 stable-baselines3、RLlib 等主流库也会分别保存 policy、value、config/checkpoint 等文件。总结如下:

  • actor.pt:保存策略网络(决策用)
  • critic.pt:保存价值网络(训练用)
  • experiment.pkl:保存实验参数(复现/继续训练用)

这样设计是为了方便复现、灵活部署和高效管理实验。

✅ 八、小结:训练RL你要准备的是这些

  1. 一个环境(可仿真)

  2. 状态、动作、奖励函数设计好

  3. 选择合适的 RL 算法(如 PPO)

  4. 使用 RL 框架训练(如 Stable-Baselines3)

  5. 让 agent 不断与环境交互生成数据,而不是喂静态数据集

相关推荐
老虎06272 分钟前
JavaWeb(苍穹外卖)--学习笔记13(微信小程序开发,缓存菜品,Spring Cache)
笔记·学习·微信小程序
@蓝莓果粒茶1 小时前
LeetCode第350题_两个数组的交集II
c++·python·学习·算法·leetcode·职场和发展·c#
无名工程师2 小时前
AI 学习过程中各阶段的学习重点、时间规划以及不同方向的选择与建议等内容
人工智能·学习
试着2 小时前
零基础学习性能测试第五章:JVM性能分析与调优-垃圾回收器的分类与回收
jvm·学习·零基础·性能测试·垃圾回收器
livemetee2 小时前
Flink2.0学习笔记:Stream API 常用转换算子
大数据·学习·flink
WXX_s2 小时前
【OpenCV篇】OpenCV——03day.图像预处理(2)
人工智能·python·opencv·学习·计算机视觉
艾莉丝努力练剑3 小时前
【LeetCode&数据结构】二叉树的应用(二)——二叉树的前序遍历问题、二叉树的中序遍历问题、二叉树的后序遍历问题详解
c语言·开发语言·数据结构·学习·算法·leetcode·链表
YGY Webgis糕手之路3 小时前
OpenLayers 快速入门(九)Extent 介绍
前端·经验分享·笔记·vue·web
花月mmc3 小时前
CanMV-K230 AI学习笔记系列
人工智能·笔记·学习
fengye2071614 小时前
板凳-------Mysql cookbook学习 (十二--------6)
学习·mysql·adb