摘要：经验回放(ER)通过允许智能体在回放缓冲区中存储和重用其过去的经验，提高了离线强化学习(RL)算法的数据效率。虽然已经提出了许多技术，以通过偏差如何从缓冲区中采样来增强ER，但迄今为止，它们还没有考虑在缓冲区内刷新经验的策略。本文提出了用于经验回放的清醒梦(LiDER)，一个概念上的新框架，允许通过利用智能体的当前策略来刷新回放体验。
LiDER由三个步骤组成:首先，LiDER将智能体移动回过去的状态。其次，从该状态，LiDER然后让智能体通过遵循其当前策略执行一系列动作——就像智能体在“做梦”过去，并可以尝试不同的行为以在梦中遇到新的体验。第三，如果新的体验结果比代理之前体验的更好，LiDER存储和重用它，即刷新它的记忆。
LiDER被设计成可以轻松地合并到异策略中，使用ER的多worker RL算法;在这项工作中，我们提出了一个将LiDER应用于基于演员评论家的算法的案例研究
1 Introduction
最近成功地将强化学习(RL)与深度学习相结合的关键因素之一是经验回放(ER)机制[27]。
现有的ER方法通常基于一组固定的经验。也就是说，一旦一个经验被存储，它将在缓冲区中保持静态，直到老化。前几个步骤的经验对于当前策略的重演可能不再有用，因为它是在过去更糟糕的策略中产生的。
如果agent有机会在同一点再次尝试，其当前策略可能会采取不同的行动，从而获得比过去更高的回报。因此，agent应该重播的是更新的体验，而不是旧的体验
LiDER通过三个步骤刷新回放体验:
- 首先，LiDER将agent移动回它之前访问过的状态。
- 其次，LiDER让agent遵循其当前策略，从该状态生成新的轨迹。
- 第三，如果新轨迹带来的结果比智能体之前从该状态中经历的更好，LiDER将新经验存储到单独的回放缓冲区中，并在训练期间重用它。
我们将这个过程称为“经验回放的清醒梦”，因为这就好像智能体在“做”关于过去的梦，并且可以控制梦在过去的状态下再次练习，以获得更好的回报
LiDER的一个限制是它需要环境交互来刷新过去的状态。
2 Background
2.1 Reinforcement Learning
2.2 Asynchronous Advantage Actor-Critic
2.3 Transformed Bellman Operator for A3C
2.4 Self Imitation Learning for A3CTB
3 Lucid dreaming for experience replay
LiDER被设计为可以轻松地合并到使用ER的离线、多worker RL算法中。
我们使用SIL在A3C框架中实现LiDER有两个原因。
- 首先，A3C架构允许我们方便地与A3C和SIL worker并行添加“刷新”组件，这节省了训练的时间。
- 其次，SIL框架是一个非策略的actor-critic算法，它以直接的方式集成了经验回放缓冲区与A3C，使我们能够直接利用片段的返回G进行策略更新——这是liDER的一个关键组件
上图显示了LiDER实现架构。
- A3C组件用蓝色表示:k个并行worker与它们自己的环境副本交互，以更新全局策略π。
- SIL组件为橙色:一个SIL worker和一个优先重放缓冲区D被添加到A3C。
- 缓冲区D以D= {S, A, G}的形式存储来自A3C worker的所有经验。缓冲区D按优势值优先，这样好的状态更有可能被采样。
- SIL工作程序与A3C工作程序并行运行，但不与环境交互;它只从缓冲区D中采样，并使用具有正优势值的样本更新π
- 引入了刷新工作者(绿色)的新概念，通过利用智能体的当前策略，从缓冲区D随机采样的过去状态中生成新的体验。如果新体验获得的收益高于当前存储在replay buffer D中的内容，则用于更新全局策略π，并将其存储到replay buffer R中以供重用。
我们引入了与A3C和SIL并行的“刷新”工作者的新概念，以从过去的状态生成新数据(以绿色显示)。刷新器可以访问环境，并从缓冲区D中随机采样状态作为输入。对于采样的每个状态，刷新器将环境重置为该状态，并使用代理的当前策略执行rollout，直到到达终端状态(例如，代理失去生命)。
如果新轨迹的蒙特卡罗返回值Gnew高于之前的返回值G(从缓冲区D中采样)，则新轨迹立即用于更新全局策略π。更新以与A3C工人相同的方式完成(公式(1)，用Gnew替换Q”)。
如果Gnew > G，则新的轨迹也存储在优先级缓冲区R = {S, new, Gnew}中(优先级由优势决定，就像在缓冲区D中一样)。
最后，SIL worker从两个缓冲区中采样如下。从缓冲区D和R 优先级各取一批样本。将两批样品混合在一起放入临时缓冲液中，如图1中绿橙圈所示;临时缓冲区以同等优先级处理所有样本。然后从两批的混合物中(如棕色箭头所示)取一批样品(替换)，SIL使用该批的好样品进行更新。
需要注意的是，虽然临时缓冲区中的样本以同等优先级初始化，但采样过程并不是均匀随机的，随机优先级的优先级采样实现。有了这个临时缓冲区来混合缓冲区D和R的transition，代理就可以灵活地选择过去和/或刷新的经验，而不需要固定的采样策略。
我们总结了算法1中LiDER的刷新工作者过程。A3C和SIL工作者的完整伪代码。
Algorithm 1
LiDER的主要好处是，它允许代理利用其当前策略来刷新过去的经验。但是，LiDER确实需要刷新器使用额外的环境步骤(参见算法1行11:我们在测量全局步骤时考虑了刷新步骤)，如果在环境中行动是昂贵的，这可能会引起关注。似乎刷新体验的高质量补偿了代理需要学习的额外体验数量。也就是说，通过利用刷新工作器，与没有刷新相比，LiDER可以在更短的时间内达到一定程度的性能——这是一个重要的好处，因为RL算法通常需要大量数据。
Algorithm 2
Algorithm 3
