強化学習@PyData.Tokyo
•
41 j'aime•11,272 vues
PyData.Tokyo Meetup #12 での強化学習に関する講演スライドです． https://pydatatokyo.connpass.com/event/48563/
Recommandé
Recommandé
Contenu connexe
Tendances
Tendances (20)
En vedette
En vedette (20)
Similaire à 強化学習@PyData.Tokyo
Similaire à 強化学習@PyData.Tokyo (20)
Dernier
Dernier (9)
強化学習@PyData.Tokyo
- 1. 強化 学習 Naoto Yoshida / GROOVE X 2017-Jan-27 のはなしをまるっと
- 2. 自己紹介・会社紹介
- 3. 自己紹介 名前： 吉田 尚人 Twitter : Ugo-Nama @movingsloth 所属：GROOVE X 株式会社 夢：動物ロボットをつくりあげること
- 4. 創業2年目のロボット・スタートアップ@人形町 ロボット作ってます！ 企業名 設立年月 GROOVE X株式会社 2015年11月 従業員数 24名、うちエンジニア16名 （2017年1月現在） 事業内容 新世代の家庭用ロボット開発事業 会社概要 http://www.groove-x.com/ GROOVE Xについて → 今後2年でメンバー数3倍になる予定
- 5. STRICTLY CONFIDENTIAL | GROOVE Xのロボットとチーム “かわいさ”に重点をおいたロボットを自社開発中！ GROOVE Xのロボット GROOVE Xのチーム 会話 完璧なタスク遂行 かわいいは正義 まだまだ募集中！！ http://www.groove-x.com/ ソフトウェア・エレキ・メカ・デザイン
- 6. 本題：強化学習
- 8. 推定 予測 計画 制御 強化学習 最近は統合が進む： Kappen, Hilbert J., Vicenç Gómez, and Manfred Opper. "Optimal control as a graphical model inference problem." Machine learning 87.2 (2012): 159-182.
- 9. 強化学習とは何か エージェントが未知の環境において自律的に行動を決定し， かつ行動決定規則を学習することで将来に渡る累積報酬を最大化 することをめざす技術 @ ICRA2015, Google Deepmind エージェント 環境 報酬: r ?
- 13. 強化学習の枠組み ● 環境とエージェントの相互作用を考える ● エージェントが環境から受け取るもの ○ 観測：センサの値・入力 ○ 報酬：直近の行動に対する評価 ● エージェントが出力するもの ○ 行動：モータ出力 etc. ● 目標：累積報酬を最大化 行動: a 観測: o 報酬: r 環境 エージェント 行動決定規則 状態: s，状態遷移ルール: P(s’|s, a) 観測モデル： P(o|s) 0 ≦ γ < 1 方策
- 14. 強化学習の枠組み 行動: a 観測: o 報酬: r Black Box ● 環境とエージェントの相互作用を考える ● エージェントが環境から受け取るもの ○ 観測：センサの値・入力 ○ 報酬：直近の行動に対する評価 ● エージェントが出力するもの ○ 行動：モータ出力 etc. (連続値/離散値) ● 目標：累積報酬を最大化 ● エージェントは環境に対する事前知識を全く 持たない状態でスタートする エージェント 行動決定規則 0 ≦ γ < 1 ※報酬の関数は既知とすることもある 方策
- 15. 強化学習の枠組み 行動: a 観測: o 報酬: r Black Box ● 環境とエージェントの相互作用を考える ● エージェントが環境から受け取るもの ○ 観測：センサの値・入力 ○ 報酬：直近の行動に対する評価 ● エージェントが出力するもの ○ 行動：モータ出力 etc. (連続値/離散値) ● 目標：累積報酬を最大化 ● エージェントは環境に対する事前知識を全く 持たない状態でスタートする エージェント 行動決定規則 ※報酬の関数は既知とすることもある 0 ≦ γ < 1 方策
- 16. もう少し，目的について γ が小さい γ = 0 γ が大きい γ = 0.999 γ （割引率）が大きいほどよ り遠い未来を加味して行動 を決定できるが，そのかわ り学習時に 長い時間が必要となる
- 20. 実際は，パラメータを持つ 行動決定規則 を決めた上での の期待値を 目的関数にし，これを最大化 期待値を計算 これがより大きな値になるように学習させる 真の目的関数に直接アクセスできない → 目的関数を推定する必要がある → その目的関数を使って，行動を最適化 2つの最適化を回すことがポピュラー ● 方策評価 ● 方策改善 実際の目的関数 真の確率には アクセスできない
- 21. 実際は，パラメータを持つ 行動決定規則 を決めた上での の期待値を 目的関数にし，これを最大化 真の目的関数に直接アクセスできない → 目的関数を推定する必要がある → その目的関数を使って，行動を最適化 2つの最適化を回すことがポピュラー ● 方策評価 ● 方策改善 MDP環境下では，Value Function 実際の目的関数 真の確率には アクセスできない
- 22. 強化学習の種類 行動 観測 報酬 (状態，状態遷移ルール ) エージェント Black Box ↑目的関数を計算する方法で分類
- 23. 強化学習の種類 大きく，2つの強化学習がある ● モデルベース強化学習 ○ モデルを作って間接的に近似 ● モデルフリー強化学習 ○ モデル無しで直接的に近似 行動 観測 報酬 (状態，状態遷移ルール ) エージェント Black Box ↑目的関数を計算する方法で分類
- 24. 行 動 観測 報酬 (状態，状態遷移ルール) Black Box 行 動 観測 報酬 (状態，状態遷移ルール) Black Box ? ? 行動決定器 MCTSなど シミュレーション モデルベース 学習：速 不確定度：明示的 可視化：◯ デバッグ：◯ 事前知識：◯ 転移学習：◯ ※↑ シミュレータに依存 行動決定に時間がかかる モデルフリー 学習：遅 不確定度：非明示的 可視化：✕ デバッグ：✕ 事前知識：✕ 転移学習：△ 行動決定は高速 シミュレータ：パラメータ パラメータ 行動決定器 （方策）
- 25. 行 動 観測 報酬 (状態，状態遷移ルール) Black Box 行 動 観測 報酬 (状態，状態遷移ルール) Black Box ? ? シミュレータ：パラメータ パラメータ 行動決定器 （方策） 熟考 型 直感 型 行動決定器 MCTSなど シミュレーション モデルベース 学習：速 不確定度：明示的 可視化：◯ デバッグ：◯ 事前知識：◯ 転移学習：◯ ※↑ シミュレータに依存 行動決定に時間がかかる モデルフリー 学習：遅 不確定度：非明示的 可視化：✕ デバッグ：✕ 事前知識：✕ 転移学習：△ 行動決定は高速
- 26. “Vanilla” Policy Gradient Note: 確率的なサンプリングを含む目的関数の 勾配を取ると，よく出てくる 期待値の形に直す 軌道の確率を展開 微分すると，方策に関する項だけ残る 学習は遅い．これに色々理論的な工夫をして高速化
- 27. モデルベース・モデルフリー強化学習の例 モデルベース ● テーブル関数系（MDP） ○ R-max, Dyna ● カーネル系（MDP） ○ PILCO（Gaussian Process） ● 深層学習系 ○ Embed to Control ○ 深層PILCO ● 最適強化学習 ○ AIXI （理論的存在, Bayesian RL） ● 特殊な例: ○ Alpha Go (モデルが既知) モデルフリー ● Markov 決定過程（MDP, 後述）を仮定 ○ Q学習，遅延Q学習，SARSA ○ 初期の Actor-Critic ● 深層Q学習：Q学習 + DNN ○ DQN, double DQN, etc. ● 方策勾配法（Policy Gradient） ○ MDPを超えて強化学習を扱える ● その他 ○ TRPO ● A3C：Actor-Critic + DNN + α ○ PGを大規模化し，発展させたもの ○ Asynchronous Advantage Actor Critic モデルベース強化学習は現状，小規模な問 題に適用される例が多い 深層学習の登場によって，テレビゲームや 自動操縦のような複雑なタスクも適用可能 になってきた
- 29. 使う時に注意すべきパラメータ ● 強化学習アルゴリズムにだいたいある重要なパラメータ ○ 減衰率パラメータ：γ ■ エージェントの最終的な頭の良さを決める．大きいと学習は遅い ○ 学習率パラメータ：α ■ 学習のはやさを決める．十分小さい必要がある ○ 探索パラメータ ■ エージェントがどれだけ積極的に冒険するかを決める ■ アルゴリズムによって性質が大きく異なる ● その他，深層強化学習をする時は深層学習のパラメータ設定が必要 ○ モデルの大きさ ○ 特徴量抽出 ○ 事前処理 ○ etc. etc.
- 30. （前提なし）強化学習問題の注意・難しさ ● エージェントがアクセスできる情報に制約がある ○ 縛り付き機械学習というような考え方もとっつきにくい ■ ”エージェントと環境の相互作用 ”という考え方は機械学習ではあまりしない ● エージェントに流れ込んでくるデータは独立同時分布ではない ○ 系列データとも微妙に意味が異なる ○ 系列データは，各系列については独立 ● 入ってくるデータは全てテストデータ（？）であるが， しかし過去手に入れたデータ（訓練データ？）と独立ではない ● エージェントが自分で環境から情報を取ってこなければならない ○ 探索と利用のジレンマ（ Exploration-Exploitation）
- 32. 仮定 ● タスク設定の仮定 ○ Episodic Task：エピソードタスク ■ 終了条件が存在し，実験を打ち切る ■ 各軌道が独立となる ■ 特に重要なもの ● Multi-Armed Bandit Problem ○ Continual Task：継続タスク ■ 終了条件が存在しない
- 33. 仮定：Markov決定過程 ● Markov Decision Process: MDP ○ 強化学習を語る上で頻出する，環境に関する仮定 ○ エージェントの観測は，環境の状態そのものであるという仮定 ■ o = s, ■ 報酬は ○ 直感的には ■ 各ステップに与えられている情報だけから，次のステップを予測することができる ● 例）ダイナミクスがNewton力学 + ノイズで記述可能 ○ 特性 ■ 最適な方策が存在し，それと同等な方策が 決定論的な関数↓の形でも表される ■ Q学習などの効率的な学習手法が導出できる Torque
- 34. ロボットの強化学習 ● ロボットの強化学習は難しい ○ 試行回数に限界がある（ロボットは壊れる） ○ 1つのロボットが収集できるデータには限界がある ■ 100万回も試行できない ○ 確立したロボティクスの分野に入り込む余地がない ■ SLAM, Planning, 確立した技術が成立している ○ ロボットの計算リソースは限られている
- 35. ロボットの強化学習 ● ロボットの強化学習は難しい ○ 試行回数に限界がある（ロボットは壊れる） ○ 1つのロボットが収集できるデータには限界がある ■ 100万回も試行できない ○ 確立したロボティクスの分野に入り込む余地がない ■ SLAM, Planning, 確立した技術が成立している ○ ロボットの計算リソースは限られている 学習時，最初は壊れても良い ロボットは大量生産される 品質は管理される Levine, Sergey, et al. "Learning hand-eye coordination for robotic grasping with deep learning and large-scale data collection." arXiv preprint arXiv:1603.02199 (2016). https://www.youtube.com/wat ch?v=iaF43Ze1oeI
- 36. ロボットの強化学習 ● ロボットの強化学習は難しい ○ 試行回数に限界がある（ロボットは壊れる） ○ 1つのロボットが収集できるデータには限界がある ■ 100万回も試行できない ○ 確立したロボティクスの分野に入り込む余地がない ■ SLAM, Planning, 確立した技術が成立している ○ ロボットの計算リソースは限られている 学習時，最初は壊れても良い ロボットは大量生産される 品質は管理される SLAMはMLE・MAP・Bayes推定 Planningは状態（モデルパラメータ）が推 定されれば可能 強化学習で同時に解く試みもある Mirowski, Piotr, et al. "Learning to navigate in complex environments." arXiv preprint arXiv:1611.03673 (2016). https://www.youtube.com/watch?v =JL8F82qUG-Q
- 37. ロボットの強化学習 ● ロボットの強化学習は難しい ○ 試行回数に限界がある（ロボットは壊れる） ○ 1つのロボットが収集できるデータには限界がある ■ 100万回も試行できない ○ 確立したロボティクスの分野に入り込む余地がない ■ SLAM, Planning, 確立した技術が成立している ○ ロボットの計算リソースは限られている 学習時，最初は壊れても良い ロボットは大量生産される 品質は管理される SLAMはMLE・MAP・Bayes推定 Planningは状態（モデルパラメータ）が推 定されれば可能 強化学習で同時に解く試みもある クラウド・無線通信・小型 PC 巨大なネットワークで画像認識させながら ロボットをリアルタイムで動かすくらいは可能 据え置きシステムなら 計算リソースは無尽蔵 http://jabelone.com.au/blog/make-autonomous-car-code-included/ https://www.youtube.com/watch?v=tFwCyHdAWf 0
- 38. ロボットの強化学習 ● ロボットの強化学習は難しい ○ 試行回数に限界がある（ロボットは壊れる） ○ 1つのロボットが収集できるデータには限界がある ■ 100万回も試行できない ○ 確立したロボティクスの分野に入り込む余地がない ■ SLAM, Planning, 確立した技術が成立している ○ ロボットの計算リソースは限られている 学習時，最初は壊れても良い ロボットは大量生産される 品質は管理される SLAMは最尤推定・Bayes推定 Planningは状態（モデルパラメータ）が推 定されれば可能 強化学習で同時に解く試みもある クラウド・無線通信・小型 PC 巨大なネットワークで画像認識させながら ロボットをリアルタイムで動かすくらいは可能 据え置きシステムなら 計算リソースは無尽蔵
- 39. 最近のトレンド ● ソフトウェアフレームワーク が公開されはじめた （Open-AI Gym etc.）: モダンなものは Python のみ ● 共通のインターフェース で多様な問題を扱う ○ インターフェースを合わせることで，新たな問題が扱える https://github.com/erlerobot/gym-gazebo https://github.com/wbap/lis https://universe.openai.com https://deepmind.com/docum ents/29/DeepMindLab.pdf https://github.com/ugo-nama-k un/gym_torcs
- 40. 文献情報 ● Reinforcement Learning State-of-the-Art ○ Wiering, Marco, van Otterlo, Martijn (Eds.), 2012 ● Sutton & Barto 本 2.0 ○ 近日発売予定？ ○ https://webdocs.cs.ualberta.ca/~sutton/book/bookdraft2016sep.pdf ● これからの強化学習 ○ 牧野 貴樹, 澁谷 長史, 白川 真一 (著, 編集), 2016 ● 強くなるロボティック・ゲームプレイヤーの作り方 ○ 八谷 大岳, 杉山 将 (著), 2008 ← 再版された！ Yan Duan, Xi Chen, Rein Houthooft, John Schulman, Pieter Abbeel. "Benchmarking Deep Reinforcement Learning for Continuous Control". Proceedings of the 33rd International Conference on Machine Learning (ICML), 2016.
- 42. Take Home Message ● 強化学習にアクセスするのはなかなか難しい ● 深層学習と，強化学習は全然別のこと ○ 強化学習は学習の「枠組み」 ○ 深層学習はニューラルネットワークという「やり方」 ● モデルベース強化学習 と モデルフリー強化学習 がある ○ それぞれに強さ・弱点がある ● ロボットの強化学習も，よく考えれば適用できそうな場面が増えてきた ○ よく考えなければ，難しい．まだまだ研究が必要．量産ロボットの可能性 ● 近年のモデルベース強化学習をより詳しく知りたい方は ○ 「Model-based 強化学習とその周辺」 ■ https://drive.google.com/drive/folders/0BzMTR9k7rE1_d2p0TG15Q0tvZzQ