别小看这个笨拙地抓起、移动着物体的机器人，它可是DeepMind的最新研究成果。
有什么特别之处呢？这个机械臂可是在现实世界中直接训练的，没有搞现在模拟器里训练一个智能体，再迁移出来那一套。
这项研究，就是DeepMind今天在官方博客上介绍的“寓教于乐”，让模拟环境和现实世界中的机器人，都能通过一系列微小的辅助任务，来学习一个比较复杂的任务。
量子位将DeepMind博客内容翻译整理如下：
一个AI智能体（agent）要想完成像收拾桌子、堆起东西这样的控制类任务，需要知道该在什么时候、在什么地方、如何协调它那模拟机械手臂和手指上的9个关节，才能正确地移动，达到目标。
要解决一个探索问题，智能体往往需要执行一长串正确的动作，而且每个时间点上，各个关节的动作组合都有着非常多的可能性。于是，这就成了强化学习研究非常感兴趣的领域。
塑造奖励、学徒式学习、示范学习等技巧在探索问题上有一些用处，但这些方法依赖于大量关于任务的知识。因此，在只有最低限度先验知识的情况下，从0开始学习复杂控制问题依然是一个公开的挑战。
DeepMind的新论文Learning by Playing - Solving Sparse Reward Tasks from Scratch提出了一种新的学习范式来攻克探索问题，名叫“预定辅助控制（SAC-X）”。这种方法基于这样一个想法：智能体要从0开始学习复杂的任务，首先要学习探索并掌握一套基本技能。正如婴儿能爬会走之前要发展出协调和平衡能力，给智能体提供与简单技能相对应的内在辅助目标，也能提高他理解并执行更复杂任务的机会。
他们在集中模拟的和真实的机器人上演示了SAC-X方法，所用的任务从堆叠物体到打扫操场（把东西放进盒子里）。为这些任务定义辅助任务遵循一个总原则：鼓励智能体探索感应空间，比如激活手指上的触觉传感器、感测手腕上的力、在抱呢提感受传感器中最大化一个关节角度、或者推动它视觉相机传感器中一个物体的运动等。每个任务在目标完成时都能得到一个简单的奖励1，否则是0。
△智能体学习的第一个辅助任务：激活手指上的触摸传感器并移动这两个物体
△模拟智能体最终掌握了“堆叠”物体这一复杂任务
得到辅助任务后，智能体能自己决定它当前的“意图”，也就是下一步要追求的目标，可能是另一个辅助任务，也可能是外部定义的目标任务。
最重要的是，通过广泛使用基于重播的off-policy学习，智能体能从它目前没有执行的其他任务中探测奖励信号并从中学习。比如说，智能体可能会在拿起、移动一个物体时，顺便堆叠了物体，这个任务也会让它观察到一个为堆叠所设置的奖励。
因为一系列简单任务可能会引导智能体观察到罕见的额外奖励，于是，预定意图的能力就至关重要。它可以根据所收集的相关知识创建个性化的“课程”，事实证明着是一种在庞大领域探索知识点有效方法，当没有多少外部奖励信号可用时特别管用。
智能体会通过预定的模块来决定该向哪个意图努力，预定程序在训练过程中通过元学习来进化，来最大化主任务的进度，也就显著提高了数据效率。
△通过探索很多内部辅助任务，智能体学会了如何堆叠和整理物体
论文中的评估结果显示，SAC-X能用同样的辅助任务，从0开始学习解决研究者们设置的所有任务。
更一颗赛艇的是，现实世界的机械臂也能通过SAC-X来从0开始学习拾取和放置物体。这类研究非常富有挑战性，因为现实世界中的机器人要学习，需要极好的数据效率，所以通常会先在模拟环境中训练一个智能体，然后再将它迁移到真实的机械臂上。
我们来看一下这个机械臂：
△真正的机械臂在执行一个它从未见过的任务：拿起并移动这个绿色方块
DeepMind介绍说，他们认为SAC-X是从0开始学习控制任务的重要一步。用这种方法，只需要指定整体目标，辅助任务则可以任意定义，可以基于普遍观点来设置，像本文中所讲的激活各类传感器，也可以是研究人员认为重要的任何任务。
在这方面，SAC-X是一种通用的强化学习方法，除了用在控制和机器人上之外，也广泛适用于一般稀疏强化学习环境。
会员中心
