如何在 openai-gym，强化学习中获得 Bipedalwalker-v3 中的目标 Q 值？

Question

我是强化学习的新手，我正在尝试使用 Deep Q 学习 解决 BipedalWalker-v3。但是我发现env.action_space.sample() = numpy array with 4 elements 并且我不确定如何添加rewards 并将其乘以(1-done_list)，我尝试从LunarLander 项目中复制我的代码。

在月球着陆器的情况下，env.action_space.sample() = integer。

这是我更新“月球着陆器”模型的方法：

def update_model(self):
        random_sample = random.sample(self.replay_buffer, self.batch_size)
        
        states, actions, rewards, next_states, done_list = self.get_attributes_from_sample(random_sample)
        # How do I fix the below target for BipedalWalker
        targets = rewards + self.gamma * (np.max(self.model.predict_on_batch(next_states), axis=1)) * (1 - done_list)
        
        target_vec = self.model.predict_on_batch(states) # shape = (64, 4)
        indexes = np.array([i for i in range(self.batch_size)])
        target_vec[[indexes], [actions]] = targets

        self.model.fit(states, target_vec, epochs=1, verbose=0)

这在 LunarLander 环境中运行得非常好。

我需要在 BiPedalWalker 项目中实现这一点。可以在这里找到：link

但是，即使在 1000 集之后，该模型也没有产生任何好的结果。

这是 BipedalWalker 的相同方法：

   def update_model(self):
        # replay_buffer size Check
        if len(self.replay_buffer) < self.batch_size or self.counter != 0:
            return

        # Early Stopping
        if np.mean(self.rewards_list[-10:]) > 180:
            return

        # take a random sample:
        random_sample = random.sample(self.replay_buffer, self.batch_size)
        # Extract the attributes from sample
        states, actions, rewards, next_states, done_list = self.get_attributes_from_sample(random_sample)
        targets = np.tile(rewards, (self.num_action_space, 1)).T + np.multiply(np.tile((1 - done_list), (self.action_space.sample().size, 1)).T, np.multiply(self.gamma, self.model.predict_on_batch(next_states)))
        # print(targets.shape) = (64,)
        target_vec = self.model.predict_on_batch(states) # shape = (64, 4)
        indexes = np.array([i for i in range(self.batch_size)])
        target_vec = targets

        self.model.fit(states, target_vec, epochs=1, verbose=0)

Answer 1

使用 DQN 算法解决连续动作空间环境（如 bipedal walker v3）是一个坏主意，因为 DQN 算法依赖于对（状态、动作）的迭代优化过程。我建议更改为其他算法，例如 TD3、SAC 或 PPO。