终生联邦强化学习：云机器人导航系统的学习架构_基于联邦学习的云机器人终身学习系统中关键技术的研究

概要

如何让机器人迁移学习，用到前人的知识以此快速适应新环境的问题呢？我们提出了LFRL-Lifelong Federated Reinforcement Learning，这一个云机器人导航系统的学习框架。我们提出了知识融合算法来训练云端共享模型，提出高效的迁移学习方法使得Agent快速适应环境。
LFRL与人类认知学的观点一致，并且在云机器人系统中表现良好。
实验证明，LFRL大大提高了机器人导航中强化学习的效率。

介绍

RL在自主机器人导航任务中广泛应用，但还存在应用上需要改进的地方：减少训练次数，长期存储数据，计算分离，快速适应新环境等。
这篇文章解决了机器人在新环境中快速学习的问题，并且拓展了机器人的经验让他们能够高效的使用之前的知识。并且我们专注于云计算以及云机器人技术，通过 “ 轨迹、控制策略、机器人的群体的输出” 的共享，提出这套机器人导航系统。

方法论

在不减少导航精度的情况下减少了训练时间：
LFRL包含了一个云服务器、许多不同的环境、一个到多个的机器人。将机器人本地模型上传到云端共享模型，以此优化模型。LFRL相比起A3C或者UNREAL算法这些在同一时间更新策略网络参数的算法，可以异步更新，并且对环境没有要求，可以不同。云端生成的网络和动态权重的标签结果可以实现记忆集成，而A3C和UNREAL方法仅仅生成了决策模型，却没有记忆。LFRL中，不仅不同agent的策略网络模型的中间层可以不一样。

过程举例：
四个机器人、三个不同的环境、云服务器。
第一个机器人的私有策略模型Q1在环境1 E1中训练后，上传云端1G；之后机器人2和机器人3想要学习导航的时候下载1G当作初始actor模型，初始化Q网络后机器人便有到达终点并且避开某些障碍物的能力，然后在环境中训练，得到他们的私有策略模型Q2Q3，将其上传网络，云端收到Q2Q3之后融合到共享网络1G之中，生成2G网络。

所以LFRL的算法如下：

随机权重$\theta$初始化动作值Q网络
输入：共享模型参数${\theta }_a$，私有网络的个数m
输出：更新的共享网络 ${\theta }_a$
while 服务器运行：
  if Agent 有需要传输模型：
    将原始共享模型参数${\theta }_a$迁移到策略$\pi$上
    for i in range(m):#对于每一个的Agent
      通过初始化的$\pi$进行强化学习得到最后的策略网络参数${\theta }_i$
      将网络参数${\theta }_i$上传云端
  if evolve time=True:#开始更新共享网络（不是每一次上传都更新、隔一段一段时间）
    ${\theta }_{a+1}$ = fuse(${\theta }_1$,${\theta }_2$,${\theta }_3$,…,${\theta }_m$,${\theta }_a$)

此处原文是

其中这一段不知道啥意思，就按照自己的理解写通过初始化的$\pi$进行强化学习得到最后的策略网络参数${\theta }_i$

云端的知识融合算法

知识融合，也就是上面提到的${\theta }_{a+1}=fuse({\theta }_1,{\theta }_2,{\theta }_3,...,{\theta }_m,{\theta }_a)$。${\theta }_a$是云端共享网络之前的参数
下图解释了策略网络的生成，这些策略网络有相同的输入输出纬度，输出纬度对应动作空间大小，输入纬度对应传感器和人工特征的纬度，#每一个Agent的训练数据都产生于特定的分布（并非iid 独立同分布）#，每一条数据都根据数据的“置信值”动态赋权了。这个置信值是Agent执行动作的确定性，比如如果某个私有决策网络对所有动作的评估是（85，85，84，83，86），但是k-G网络的评估是（20，20，100，10，10），我们对k-G网络的置信度更大，因为其评估的区别很大。这里我们使用与信息熵相关的量来确定这次评估的权重——置信度。
产生标签结果的时候，算法首先产生对动作的评估，然后这个评估被“置信度”加权。最终按照这种方式得到所有的训练数据。
我们假设有n个Agent，那么有n个私有决策网络，并且网络的输出都是m个，动作空间的大小是m，那么对于机器人j
其机器人j输出动作概率分布的交叉熵公式：
$$c_j=-\frac{1}{lnm}\sum _{i=1}^m(\frac{scor{e}_{ij}}{{\sum }_{i=1}^{m}scor{e}_{ij}}\cdot ln(\frac{scor{e}_{ij}}{{\sum }_{i=1}^{m}scor{e}_{ij}}))$$
交叉熵代表不确定度，$1-c_j$则代表置信度
则机器人j的记忆权重为：
$$w_j=\frac{(1-c_j)}{{\sum }_{j=1}^n(1-c_j)}$$

知识融合函数：
$$labe{l}_j=score\times (w_1{w}_2,...,w_n{)}^T$$
（注意，下图只展示了一个一次采样生成一个标签结果，实际上，我们需要生成许多的标签结果，对每一个数据样本，置信度是不同的，如果我们产生50000个样本，那么就有50000个不同的置信度，这些变化的权重可以并入数据表前，并且使得生成的网络动态的调整不同传感器的权重。）
（图的最左边应该是get human-made features from sensor data，模型的输入是Generate large amount of sample data得到大量的采样数据，这里拿一次采样数据为例，得到raw data经过网络之后会对每一个action给出一个打分，所有网络对每一个action打分形成的矩阵就是Score Matrix(Knowledge storage)，这是一个M*(N+1)的矩阵，对每一列（某个策略网络给出的动作评价分布）进行归一化之后，进行基于置信度（(N+1)*1的列向量）的Knowledge Fusion，所以这里融合的并不是网络参数，而是动作评价矩阵。

云端知识融合算法可以这样被定义：
将机器人将置信的占比当作权重，将输入进行加权求和(此处的$c_j$代表的是上面的Score Matrix的第j列）
$$w_{j^{\prime }}=\frac{(1-c_j)}{{\sum }_{j=1}^n(1-c_j)}$$
$$y_i=\sum _{j^{\prime }=1}^n{c}_j\cdot w_{j^{\prime }}$$
定义训练生成网络的误差（每一次观测（输入）$x_i$和知识融合结果的差方和）
$$L(y,h_{\theta }(x_i))=\frac{1}{N}\sum _{i=1}^N(y_i-h_{\theta }(x_i){)}^2$$
训练过程的目标
$${\theta }^{\ast }=argmi{n}_{\theta }\frac{1}{N}\sum _{i=1}^{N}L(y_i,h_{\theta }(x_i))$$

融合算法流程如下：

输入：${\tilde{x}}_i$ 输入数据（未提取人工特征）；K是输入数据数；$f_n$是第n个策略网络；N是网络数；M：agent的动作空间大小
输出：$\theta$ 云端共享网络参数
$label=[]$
$fori=1,i<=K,i++do$
  ${\hat{x}}_i$=从${\tilde{x}}_i$得到的人工特征
  $x_i=[{\hat{x}}_i,{\tilde{x}}_i]$#得到了网络的输入
  $scor{e}_i=[]$#知识矩阵
  $c_i=[]$#置信度向量
  $forn=1,n<=N,n++do$
    $scor{e}_{i,n}=f_n(x_i)$#得到每一个网络的输出（应该是一个m1的列向量）
    $c_{i,n}=交叉熵(scor{e}_{i,n})$#计算置信度
    $scor{e}_i=[scor{e}_{i}scor{e}_{i,n}]$#不断并上，最后知识矩阵的纬度是M（N+1）
     c i = [ c i c i , n ] c_{i}=

$$\begin{bmatrix} c_{i}\\ c_{i,n} \end{bmatrix}$$ ci​=[ci​ci,n​​]不断并上，最后置信度向量的纬度是(N+1)*1
  end
  $labe{l}_j=score\times (w_1,w_2,...,w_n{)}^T$
  $label=\left[\begin{array}{c}label\\ labe{l}_i\end{array}\right]$
$\theta$ = 从数据集（x,label)中学习到的参数$\theta$

共享模型的迁移

两种方法

1. 将共享模型当作初始决策模型
2. 将共享模型当作特征提取器
   使用第一种方法，我们会和云端模型有相同的躲避障碍物和到达终点的能力，但是这种方法训练时长一定程度取决于参数的调整，比如我们需要加快更新速度，加大惩戒项，减少随机动作的概率等。

特作提取器的方法增加了内在特征的纬度，这里将云端得到的模型下载后，将其输出直接在本地模型的全连接层加上去，以此增加特征的表达能力，并且这使得云端的模型和本地的模型中间结构可以不同。