强化学习 动作空间(离散/连续)

1. 离散动作空间的策略网络

在离散空间中，动作是可数的，例如：{左， 右， 上， 下} 或 {加速， 刹车}。

网络架构与处理方式

1. 输出层：Softmax

   • 策略网络的最后一层是一个 Softmax 层。

   • 假设有 N 个可选动作，网络会输出一个长度为 N 的向量。

   • Softmax 函数确保这个向量的所有元素都在 (0, 1) 之间，且和为 1。这样，每个元素就代表了选择对应动作的概率。

2. 策略表示

   • 策略 π(a|s) 直接由网络输出给出：
     π(a=i|s) = Softmax(Logits(s))[i]

3. 动作采样

   • 根据网络输出的概率分布，进行分类采样来选择动作。

   • 在 Python 中，可以使用 np.random.choice 或 torch.distributions.Categorical。

import torch
import torch.nn as nn
import torch.nn.functional as Fclass DiscretePolicyNetwork(nn.Module):def __init__(self, input_dim, hidden_dim, output_dim):super(DiscretePolicyNetwork, self).__init__()self.fc1 = nn.Linear(input_dim, hidden_dim)self.fc2 = nn.Linear(hidden_dim, output_dim) # output_dim = 动作数量def forward(self, state):x = F.relu(self.fc1(state))logits = self.fc2(x) # 输出 logits，未归一化的概率return logitsdef act(self, state):logits = self.forward(state)# 创建分类分布action_probs = F.softmax(logits, dim=-1)dist = torch.distributions.Categorical(action_probs)# 采样动作action = dist.sample()# 计算对数概率，用于策略梯度更新log_prob = dist.log_prob(action)return action.detach().item(), log_prob# 假设有4个动作
policy_net = DiscretePolicyNetwork(input_dim=8, hidden_dim=128, output_dim=4)
state = torch.tensor([0.1, 0.5, -0.2, ...]) # 状态向量
action, log_prob = policy_net.act(state)
print(f"Sampled action: {action}")

 

2. 连续动作空间的策略网络

在连续空间中，动作是实数向量，例如：方向盘转角 [-1, 1]，机器人关节扭矩 [τ₁, τ₂, ...]。

这里有两种主要设计思路：

A. 随机策略 - 输出分布参数

这是最常用的方法，策略网络输出一个概率分布的参数，动作从这个分布中采样。

1. 输出层：分布参数

   • 最常用的是高斯分布。网络为每个动作维度输出两个值：

     • 均值：通常使用 tanh 作为激活函数，将均值限制在 [-1, 1] 范围内，或者不适用激活函数。

     • 标准差：通常使用 softplus 等函数确保其为正数。也可以是一个与状态无关的可学习参数。

2. 策略表示

   • 策略 π(a|s) 是一个概率密度函数。例如，对于高斯分布：
     a ~ N(μ(s), σ(s)²)

3. 动作采样

   • 使用网络输出的均值和标准差构建一个高斯分布，然后从这个分布中采样。

   • 由于采样操作不可导，在训练时需要使用重参数化技巧。

class ContinuousPolicyNetwork(nn.Module):def __init__(self, input_dim, hidden_dim, output_dim):super(ContinuousPolicyNetwork, self).__init__()self.output_dim = output_dim # 动作空间的维度self.fc1 = nn.Linear(input_dim, hidden_dim)# 输出均值self.mean_head = nn.Linear(hidden_dim, output_dim)# 输出对数标准差（更稳定），通常作为一个独立的层self.log_std_head = nn.Linear(hidden_dim, output_dim)# 或者：self.log_std = nn.Parameter(torch.zeros(1, output_dim))def forward(self, state):x = F.relu(self.fc1(state))mean = torch.tanh(self.mean_head(x)) # 将均值限制在[-1,1]log_std = self.log_std_head(x)# 使用 clamp 将标准差限制在一个合理范围内log_std = torch.clamp(log_std, min=-20, max=2)std = torch.exp(log_std)return mean, stddef act(self, state):mean, std = self.forward(state)# 创建多元高斯分布（假设各维度独立）dist = torch.distributions.Normal(mean, std)# 重参数化技巧采样action = dist.rsample()# 计算对数概率（对于多维动作，需要对数概率的和）log_prob = dist.log_prob(action).sum(dim=-1)# 如果需要将动作限制在[-1,1]，可以使用tanh，但需要修正对数概率# action = torch.tanh(raw_action)# 更复杂的实现会处理tanh变换后的概率计算return action.detach().numpy(), log_prob# 假设动作是2维的（如：速度，方向）
policy_net = ContinuousPolicyNetwork(input_dim=8, hidden_dim=128, output_dim=2)
state = torch.tensor([0.1, 0.5, -0.2, ...])
action, log_prob = policy_net.act(state)
print(f"Sampled continuous action: {action}")

 

torch.clamp 将输入张量中的所有元素限制在一个指定的区间 [min, max] 内。具体来说：

• 如果元素小于 min，则将其设置为 min

• 如果元素大于 max，则将其设置为 max

• 如果元素在 [min, max] 范围内，则保持不变

 

tanh函数:

 

torch.distributions.Normal 表示一个一元高斯分布，由两个参数定义：

• loc: 分布的均值

• scale: 分布的标准差

# 创建分布
mean = torch.tensor([0.0, 1.0])
std = torch.tensor([1.0, 0.5])
normal = dist.Normal(mean, std)# 1. sample() - 普通采样
samples = normal.sample()
print("Sample:", samples)
# 输出: tensor([-0.1234, 1.2345])# 2. rsample() - 重参数化采样（可微分）
reparam_samples = normal.rsample()
print("Reparameterized sample:", reparam_samples)
# 输出: tensor([0.5678, 0.8765])# 3. sample() 批量采样
batch_samples = normal.sample((3,))  # 采样3次
print("Batch samples shape:", batch_samples.shape)
# 输出: torch.Size([3, 2])