发表时间：2020（ICLR2020）
文章要点：这篇文章提出了一个无监督的model-based的学习算法Dynamics-Aware Discovery of Skills (DADS)，可以同时发现可预测的行为以及学习他们的dynamics。然后对于新任务，可以直接用zero-shot planning的方法选择最优动作。这个文章的点就是学习skill的方式是无监督的，通过基于互信息的探索策略，来发现skill。
具体的，定义skill空间，表示为\(z\)。然后定义一个基于skill的状态转移函数\(q(s^\prime|s,z)\)。再定义一个将skill转化成具体动作的policy \(\pi(a|s,z)\)。有了这个之后，定义关于skill的互信息
训练的目标就是最大化这个互信息。也就是最大化\(s\)和\(s^\prime\)的熵，并且最小化给定skill \(z\)之后的熵。这个目标函数的思路就是让一个skill的状态转移差异尽可能大，同时在给定skill \(z\)之后，让这个\(s^\prime\)更加确定，也就是能预测（predictable）。
这个目标函数可以写成
其中\(p\)是真正的状态转移函数，利用变分推断引入前面定义的\(q\)
所以目标就转变成了最大化右边的期望值。然后将训练过程的reward直接设置为
这个分母是对\(p\)的近似
然后整个流程如前图所示，先设定一个\(z\)的先验分布，比如均匀分布。每次先采样一个\(z\)，然后用policy \(\pi(a|s,z)\)转换成动作序列到环境里执行得到\(s^\prime\)。根据这个状态转移更新dynamics函数\(q\)，然后根据式子（6）计算reward，接着就用强化训练policy \(\pi\)。这个过程就是skill发现的过程，以及学习对应的dynamics以及skill对应action的policy。
有了这个之后，就可以直接用online planning的方式来解具体的任务了，文章里面用的model predictive control，具体流程如下图
思路就是采样多个\(z\)，用\(q\)去做planning得到reward最大的那个\(z\)，然后用\(\pi\)把\(z\)转换成动作序列\(a\)去环境里执行，然后重复这个过程。
总结：这个方法就有点像分层强化，先学习skill，并且学习skill到action序列的对应关系。然后就用planning的方法在skill层面进行online planning，最后再转换成具体的action去执行。整个过程是make sense的，具体效果可能还是要看具体任务以及调参了。
疑问：看起来还是挺有道理的，但是这个利用互信息去自己探索skill的方式，到底能不能收敛，还是有点疑问的。