強化學習可以解決什么問題？

這張圖是2016年引起熱議人工智能的AlphaGo事件，AlphaGo打敗了圍棋世界冠軍李世石。AlphaGo作為一個智能體，就使用了深度強化學習技術進行了訓練。在這一場景中，狀態(tài)就是每一時刻的棋盤，行為就是下棋的動作，而評價系統(tǒng)會根據每一步棋的價值返回獎勵。完成訓練的AlphaGo在與李世石的比賽中，根據當前的棋盤選擇最優(yōu)的行為“下一步棋”，最終擊敗了李世石，這就是強化學習的一個具體應用。

智能體在不斷與環(huán)境交互的過程中，會保留上次學習過的經驗，下一輪與環(huán)境交互時，會選擇獎勵更大的行為，一般用來解決“智能體與環(huán)境交互時通過決策選擇最好的行為”的這一類問題。

具體到現在的應用場景很廣泛：

工業(yè)應用：機器人作業(yè)；

金融貿易應用：預測未來銷售額、預測股價等；

自然語言處理（NLP）應用：文本摘要、自動問答、機器翻譯等；

醫(yī)療保健應用：提供治療策略；

工程中的應用：數據處理、模型訓練；

推薦系統(tǒng)中的應用：新聞推薦、時尚推薦等；

游戲中的應用：AlphaGo、AlphaZero等；

廣告營銷中的應用：實時競價策略；

機器人控制中的應用：機械臂抓取物體等。

強化學習在無人機項目中的應用

強化學習在無人機項目中的應用越來越廣泛，以下簡單介紹下深蘭科學院目前對該項目的研究內容：簡單的軌跡規(guī)劃，以及當前主流的兩個研究方向：軌跡規(guī)劃、運輸懸掛。后續(xù)團隊的目標也是基于當前項目，進行這兩個主流方向的研究。

1、簡單軌跡規(guī)劃

本項目研究的是無人機圓周軌跡運動規(guī)劃。在這一簡單任務中，需要讓無人機飛到指定位置懸停，然后一直做圓周運動。簡單分析這一任務，智能體就是無人機，行為就是對無人機的旋翼發(fā)出操作指令，狀態(tài)就是當前無人機所處的位置以及無人機的性能，獎勵則是根據無人機是否沿著圓周運動的軌跡判斷。

具體到深度強化學習的框架，采用的是on－policy的PPO框架，之后也會用off－policy的DDPG、SAC框架進行比對效果。

2、復雜軌跡規(guī)劃

在許多機器人任務中，如無人機比賽，其目標是盡可能快地穿越一組路徑點。這項任務的一個關鍵挑戰(zhàn)是規(guī)劃最小時間軌跡，這通常通過假設路徑點的完美知識來解決。這樣所得到的解決方案要么高度專用于單軌道布局，要么由于簡化平臺動力學假設而次優(yōu)，方案不具有可擴展性。

視頻是使用深度強化學習和相對門觀察的方法，自適應地進行隨機軌道布局的效果展示，與傳統(tǒng)的假設路徑點軌道方法相比，基于軌跡優(yōu)化的方法顯示出了顯著的優(yōu)勢。在仿真環(huán)境和現實世界中的一組軌道上進行了評估，使用真實四旋翼無人機實現了高達17米／秒的飛行速度。

3、懸掛運輸

第二個主流方向是懸掛運輸，運輸懸掛的有效載荷對自動駕駛飛行器來說是一個挑戰(zhàn)，因為有效載荷會對機器人的動力學造成重大和不可預測的變化。這些變化可能會導致飛行性能不理想，甚至會導致災難性故障。視頻是運用自適應控制與深度強化學習在這一問題上的效果展示，可以看出這種方法在此任務表現良好。