强化学习之智能出租车项目总结

标签：line   动作   jupyter   风格   render   value   rate   end   比较   

项目介绍

这是优达学院机器学习课程的第4个实习项目，需要训练智能出租车学习交通规则，然后安全可靠地到达目的地。项目通过循序渐进的方式展开，从熟悉基本的领域知识开始，再以随机动作来直观感受智能车的状态，也是在这一步，让初学者有了心潮澎湃的感觉，“车终于动了！”，是的，从0开始一路走来，以游戏闯关的方式，终于来到了4级，第一次体验了传说中的“智能”了，也许是“眼见为实”吧，小车在自己算法的控制之下行动，是一种很美好的感受。然后项目通过引导，让大家开始实现基于Q-Learning算法的智能车控制。这是本项目核心算法的实现部分，对于初学者来说也是一个挑战。接着，项目要求在上一个Q-Learning算法的基础上通过调节参数，让智能车达到更优的效果。最后，项目延续以往的风格，分析讨论环节，引导大家思考并论证为什么这个实现是优化的，为什么这个项目中不需要使用gamma参数。

我喜欢优达学院的项目设计。从我的感受，项目设计对我们工作、学习也很有启发：

1. 难度合理，屏蔽辅助细节：难度不要过高，通过代码框架屏蔽了项目总体的复杂度，只留下和当前课程紧密相关的核心部分让学生实现，同时也可以让学生体会到，一个完整项目的实现是需要很多细节工作的。
2. 循序渐进，“拆解”实现：每个项目总能分步骤拆解，由易到难，由表及里，最终实现项目的需求。
3. 科学完备，科研范本。我从一开始P1项目就感受项目的设计很到位，除了上面说的循序渐进，是科学研究的重要手段之外，我还从项目设计中看到以下方面：
   1. 合理拆解： 这就是第二点提到的，可以说，面对复杂问题，拆解成功很可能就完成了一半。有人说领导的职责就是一个“翻译”，把“目标”翻译成具体“任务”，我很同意这个观点。而对于机器学习的初学者，显然是需要依赖这样的拆解来完成项目。就如同职场新人，只能接受任务，而不是目标。这同时也告诉我们了一条进阶之路。上面的说明中已经展示了这个项目是如果分解的。
   2. 对比实验： “没有对比就没有伤害”，同样，没有对比也没有说服力。比如本项目，用随机算法和Q-Learning算法做比较，从而说明强化算法之Q-Learning算法的优势所在。
   3. 可视化展示： 人们都相信“眼见为实”，无论是在PPT，还是科研论文，还是这样的机器学习成果演示场景，一张内容丰富的图标远胜长篇累牍的文字解说。机器学习项目使用Jupyter Notebook做项目演示和代码实现。Jupyter Notebook是个让我尖叫的好产品，可以边写代码，边演示结果，真是机器学习的神器。而我们自己也需要在自己平常的工作学习中找到有利的工具去达成展示的效果。
   4. 具体实例论证： “细节”的力量有时候容易被忽视，爱用描述性的语言一直是我的一个毛病，而具体实例解析更具有说服力，也会让人印象更深刻。比如这个项目就要求拿出几个具体的步骤，列出当前的Q-value，展示哪个是最优，而智能车在这个时候又是怎么选择动作的，并因此得到了多少奖励，因此这个策略是合理的。就这么一两个例子，就会像钉子一样扎进了别人的记忆里，这就是“榜样”的力量吧。
   5. 辩证分析：好的方面前面一定已经总结了很多，但是世界那么大，你看到的总是那么多。就连牛顿定律都有局限性，何况我们的研究/方案。所以完整的分析还应该包括局限性分析，是为批判性思维。P1的房价预测项目最后，就要求做出应用性分析。基于某个地区，某个时间段的数据的分析结果对其他地区，现今是否有可用性呢？

回到本项目，是强化学习在自动驾驶领域的迷你实验项目，我相信和工业级的自动驾驶还是有较大距离，但背后的算法思想应该有共同之处：从环境中学习，不断优化行为的质量。这就是强化学习要研究的方向。

强化学习简介

Reinforcement Learning，与监督学习的和非监督学习不同的是，强化学习研究的是：具有行为能力的智能体，在环境中如何行动，从而取得预期的结果。我的理解，根据环境的不同，强化既可以应用于机器人、无人机等实体操控，又可以用于（复杂的）纯数据分析。当然应用于自动驾驶等与现实环境交互的领域是强化学习的强项。

那么强化学习的模型中，都有哪些元素呢？这里就完全可以类比一下人类的行为模式，想象一下，一个人初次看到“火”会是怎么样的过程，比如小孩子对火的认识过程：

首先你进入一个环境中，通过眼睛观察，发现了一团红彤彤的东西在火把顶部，你从大脑中搜索，没有找到对应的认识，但是又好奇这到底是什么，于是好奇心驱使着你，于是你决定用手去感受一下，你慢慢用手靠近火焰，感受到温度慢慢上升，你知道了这个东西是“热”的，胆大的人也许还会靠近，直到被烫伤一次，你又知道了这个东西可以烫伤皮肤，还有些人，或许会继续其他动作，拿一张纸靠近火焰，结果纸也染上了这东西，于是又知道了这个东西可以从一个地方传递到另外一个地方，知道哪天有人告诉你，这个东西叫“火”。人类的整个生活，就是这样一系列观察-思考-动作-反馈-【观察-思考-动作-反馈】的过程。而强化学习，就是应用这样的过程不断“自主学习”，从而学会一项技能，如驾驶。

如图，强化学习的要素就是：状态State，动作Action，奖励Reward。强化学习的过程就是：不断通过当前的样本{s1,a1,r1}，学习改进得到更优的策略Policy，使得Reward越来越好。

Q-Learning

原理虽然明确了，但是算法的实现确是经历了前人不断的探索，从MDP马可夫决策过程，到Bellman方程，以及Q-Learning算法理论，正是在这些大量的理论研究基础上，强化学习才得以落地。（这些算法及其过程将在其他篇幅中讨论）

 回到本次智能出租车项目，用的就是Q-Learning，为什么选择Q-Learning？这实际上也是个问题，也不是初学者就能知道的。这次重点工作包括： Q-Learning算法的实现，参数调节优化。

既然是项目总结，还是要贴一下Q-Learning算法，其实实现过程还是走了一些弯路。

其中是学习率learning rate （取值（0,1]））,表示智能车的Q值更新过程中有多少来自经验，多少来自新的探索发现。gamma折扣因子，表示未来状态回溯到当前状态时的反向正面奖励，由于本项目的特点（起点终点不固定，当前位置与终点距离未知，过大的回溯操作容易造成路径依赖），并没有使用，相当于取值为0。

另外，项目中还使用了epsilon参数，表示开始阶段智能车随机选择动作的概率较大，以便有更多的路径探索机会，随着经验的积累，随机动作越来越少，而是更多的根据经验选择。 0 < α t ≤ 1 {\displaystyle 0<\alpha _{t}\leq 1} )

项目结果

经过多轮测试，项目达到的效果如下：

但是如果多次测试，测试结果稳定性依然不太理想。另外，可靠性在训练200次以后，依然有一定的起伏现象，不知是否有更优的参数选择。但不论如何，通过这个项目，已经能够切实感受到算法的魅力，通过训练，代理程序确实获得了较好的经验用于驾驶。

强化学习之智能出租车项目总结

标签：line   动作   jupyter   风格   render   value   rate   end   比较   

原文地址：http://www.cnblogs.com/1xin/p/7062990.html