We introduce the forward-backward (FB) representation of the dynamics of a reward-free Markov decision process. It provides explicit near-optimal policies for any reward specified a posteriori. During an unsupervised phase, we use reward-free interactions with the environment to learn two representations via off-the-shelf deep learning methods and temporal difference (TD) learning. In the test phase, a reward representation is estimated either from observations or an explicit reward description (e.g., a target state). The optimal policy for that reward is directly obtained from these representations, with no planning. We assume access to an exploration scheme or replay buffer for the first phase. The unsupervised FB loss is well-principled: if training is perfect, the policies obtained are provably optimal for any reward function. With imperfect training, the sub-optimality is proportional to the unsupervised approximation error. The FB representation learns long-range relationships between states and actions, via a predictive occupancy map, without having to synthesize states as in model-based approaches. This is a step towards learning controllable agents in arbitrary black-box stochastic environments. This approach compares well to goal-oriented RL algorithms on discrete and continuous mazes, pixel-based MsPacman, and the FetchReach virtual robot arm. We also illustrate how the agent can immediately adapt to new tasks beyond goal-oriented RL.
翻译:我们引入了无报酬的Markov 决策过程的向后代表( FB) 。 它为任何附带的奖励提供了明确的近乎最佳的政策 。 在不受监督的阶段, 我们使用无报酬的与环境互动来通过现成的深层学习方法和时间差异学习两个代表。 在测试阶段, 奖励代表是通过观察或明确的奖赏描述来估计的( 例如, 目标状态 ) 。 该奖赏的最佳政策是直接从这些代表中直接获得的, 没有规划 。 我们假设可以访问勘探计划或重新播放第一阶段的缓冲。 不受监督的 FB 损失是很好的原则 : 如果培训是完美的, 所获得的政策对于任何奖赏功能是优于现成的。 如果培训不完善, 亚优则与不完美的近似近似错误相称。 FB 代表可以通过预测占用地图来了解各州和行动之间的长期关系, 而不必像基于模型的方法那样将各州整合在一起。 这是向在任意的、 直立的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 和方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 和方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、 方向的、