O2O:Improving Offline-to-Online Reinforcement Learning with Q-Ensemble_enoto: improving offline-to-online reinforcement l-优快云博客

本文链接：https://blog.youkuaiyun.com/wdnmdwsmsa/article/details/136579221

ICML workshop 2023
paper
Q-ensemble 大法好

Introduction

保守的离线学习方法在迁移到在线过程中，会由于保守的Q值估计限制智能体在线探索，导致策略缓慢提升；而若不保持保守的估计又容易因为OOD的数据导致Q过估计，进而让学习不稳定。如下图a所示
在这里插入图片描述
如何找到一种方法既能保守估计又能不限制在线探索？Q-ensemble就能给出解决方法。而一系系列的关于基于ensemble Q的估计方法也证明有效。正如上图中a采用CQL-N以及SAC-N结合的O2O方法。图c则则证明ensemble的方式让策略有可选择的动作分布，相较于保守的CQL更为广泛。基于上述发现，本文提出Ensemble-based O2O算法E2O。

Method

Q ensemble

E2O在离线学习阶段，基于CQL算法对target Q设置多个Q估计并选择最小值作为最终结果。如果在线阶段也采用相同ensemble估计形式，虽然不会出现performance drop,渐进稳定性也较好。但是无法快速改进。因此，下面重点转移到分析我们是否可以适当地放松在线阶段Q值的悲观估计，以进一步提高学习效率，同时确保稳定的训练。

在这里插入图片描述

Loosing Pessimism

对于在线阶段Q估计，如何放松悲观估计本文提出现有的几种形式（1）Min Q: 最小Q （2）Mean Q：均值（3）REM：随机抽样取均值（4）RandomMinPair：REDQ采用的方法，随机采样两个Q求其小（5）WeightedMinPair：本文采用的对RandomMinPair中两个Q取均值。在这里插入图片描述