[Reinforcement Learning] Proximal Policy Optimization (PPO) Algorithm

Sion Park·2022년 7월 12일
1

안녕하세요! 오늘은 최근에 공부해본 PPO알고리즘에 대한 내용을 포스팅하고자합니다! PPO 알고리즘은 On-Policy 강화학습 알고리즘입니다. 제가 아는바에 의하면 TRPO알고리즘의 조금 더 구현에 친화적인 버젼으로 알고있습니다. 이 포스팅을 읽기 전에 A2C알고리즘에 대한 지식이 있으시면 좋습니다.

또한 이포스팅은 PPO알고리즘의 이론적인 부분을 조금 더 면밀히 살펴보고 이를 수식으로 이해하는데에 초점이 맞추어져있습니다.

Introduction

  • A2C 알고리즘

    • REINFORCE 알고리즘의 단점인 몬테카를로 업데이트 문제와 그레디언트의 분산이 커지는 것을 해결.

    • On-Policy 방법으로 인한 표본에 대한 효율성이 떨어짐.

PPO 알고리즘 또한 마찬가지로 On-Policy알고리즘 이지만 이러한 단점을 개선하였는데요! 어떠한 방법으로 이를 해결하였는지 알아보겠습니다!

이 포스팅에서 xx 는 state 를 의미하며, uu 는 action을 의미합니다.

또한 x0:ut=(x0,u0,x1,u1,...,xt,ut)x_0:u_t = (x_0, u_0, x_1, u_1, ... ,x_t, u_t) 를 의미하며, x0:xt=(x0,u0,x1,u1,...,xt)x_0:x_t = (x_0, u_0, x_1, u_1, ... ,x_t) 의미합니다. 마지막으로, x0:=(x0,u0,x1,u1,...)x_0:\infty = (x_0, u_0, x_1, u_1, ... ) 으로 무한 구간 에피소드를 의미합니다.

즉, 위 시퀀스들은 강화학습의 순서를 나타냅니다. (state 와 action의 반복)

Gradient Reconstruction

우선 A2C의 목적함수의 그레디언트를 알아보겠습니다..

J(θ)=t=0T(Ex0:utpθ(x0:ut)[γtθlogπθ(utxt)Aπθ(xt,ut)])\nabla J(\theta) = \sum_{t=0}^{T} \left(E_{x_0:u_t\sim p_\theta(x_0:u_t)} [\gamma^t\nabla_\theta log \pi_\theta (u_t\mid x_t)A^{\pi_\theta}(x_t, u_t)]\right)

여기서, 마코프 가정을 통해

J(θ)=t=0T(Extpθ,utπθ(utxt)[γtθlogπθ(utxt)Aπθ(xt,ut)])\nabla J(\theta) = \sum_{t=0}^{T} \left(E_{x_t \sim p_\theta, u_t\sim \pi_\theta(u_t\mid x_t)} [\gamma^t\nabla_\theta log \pi_\theta (u_t\mid x_t)A^{\pi_\theta}(x_t, u_t)]\right)

임을 얻을 수 있다.

이러한 형태의 그레디언트로 인해 On-Policy 방법을 이용하여야 합니다. 즉, 정책 πθ\pi_\theta로 발생시킨 샘플을 이용해서 기댓값을 계산하여야 합니다.

여기서 꼭 현재 정책을 이용하여야 할까요? 이전의 정책인 πOLD\pi_{OLD} 로 발생한 샘플을 이용하면 안될까요?

중요샘플링을 이용하면 확률밀도함수 p(x)p(x)에 기반한 함수 f(x)f(x)의 기댓값을 다른 확률 밀도함수 q(x)q(x)를 이용해 계산이 가능합니다.

Exp(x)[f(x)]=Exq(x)[p(x)q(x)f(x)]E_{x\sim p(x) } [f(x)] = E_{x\sim q(x)} \left[\frac{p(x)}{q(x)}f(x)\right]

위에서 말했던 A2C의 그레디언트에 중요샘플링을 적용하여 보면 아래와 같습니다.

J(θ)=t=0T(Extpθ[pθ(xt)pθOLD(xt)Eutπθ(utxt)[γtπθ(utxt)πθOLD(utxt)θlogπθ(utxt)Aπθ(xt,ut)]])\nabla J(\theta) = \sum_{t=0}^{T} \left(E_{x_t \sim p_\theta}\left[\frac{p_\theta(x_t)}{p_{\theta_{OLD}}(x_t)}E_{u_t\sim \pi_\theta(u_t\mid x_t)} \left[\gamma^t\frac{\pi_\theta(u_t\mid x_t)}{\pi_{\theta_{OLD}}(u_t\mid x_t)}\nabla_\theta log \pi_\theta (u_t\mid x_t)A^{\pi_\theta}(x_t, u_t)\right]\right]\right)

위 식에서 pθ(xt)pθOLD(xt)p_\theta(x_t) \approx p_{\theta_{OLD}}(x_t) 라면,

J(θ)=t=0T(Extpθ[Eutπθ(utxt)[γtπθ(utxt)πθOLD(utxt)θlogπθ(utxt)Aπθ(xt,ut)]])\nabla J(\theta) = \sum_{t=0}^{T} \left(E_{x_t \sim p_\theta}\left[E_{u_t\sim \pi_\theta(u_t\mid x_t)} \left[\gamma^t\frac{\pi_\theta(u_t\mid x_t)}{\pi_{\theta_{OLD}}(u_t\mid x_t)}\nabla_\theta log \pi_\theta (u_t\mid x_t)A^{\pi_\theta}(x_t, u_t)\right]\right]\right)

가 됩니다.

여기서 스케일 함수로 쓰이는 πθ(utxt)πθOLD(utxt)\frac{\pi_\theta(u_t\mid x_t)}{\pi_{\theta_{OLD}}(u_t\mid x_t)}는 현재 시간스텝 tt만의 함수이므로 그레디언트 값을 유사하게 얻을 수 있습니다.

Policy Update

정책 그레디언트의 원래 목적은 아래의 목적함수를 통해 정책 함수의 파라미터 θ\theta를 목적함수의 그래디언트를 이용해 목적함수가 최대가 되는 정책 πθ\pi_\theta 를 찾는 것입니다.

J(θ)=Ex0:uTpθ(x0:uT)(t=0Tγtr(xt,ut))J(\theta) = E_{x_0:u_T\sim p_{\theta}(x_0 : u_T)}\left(\sum_{t = 0 }^T \gamma^tr(x_t, u_t)\right)

이를 찾기 위해 그레디언트를 통한 업데이트로 정책 파리미터 θ\theta를 찾게 됩니다. 즉, 정책을 점진적으로 업데이트 해가는 그레디언트 어센트 (최대화) 방법 등을 적용합니다.

여기서 업데이트된 정책은 이전의 정책보다 더 큰 목적함수 값을 가져야 합니다. 즉, J(θ)J(θOLD)>0J(\theta) - J(\theta_{OLD}) >0가 되도록 하여야 합니다.

다시 목적함수를 보겠습니다. 위의 목적함수 J(θ)J(\theta)는 상태가치함수 V를 이용해

J(θ)=Ex0p(x0)(Vπθ(x0))=Ex0:pθ(x0:)(Vπθ(x0))\begin{aligned} J(\theta) &= E_{x_0\sim p(x_0 )}\left(V^{\pi_{\theta}}(x_0)\right)\\ &=E_{x_0:\infty\sim p_{\theta}(x_0:\infty)}\left(V^{\pi_{\theta}}(x_0)\right) \end{aligned}

으로 표현됩니다. (상태가치함수가 x0x_0만의 함수이기 때문입니다.)

또한 이전 정책의 상태가치 함수의 평균은 다음과 같이 나타납니다.
Ex0p(x0)(VπθOLD(x0))=x0VπθOLD(x0)p(x0)dx0=x0[pθ(u0,x1,...)du0dx1]VπθOLD(x0)p(x0)dx0=x0:VπθOLD(x0)pθ(x0:)dx0:=Ex0:pθ(x0:)(VπθOLD(x0))\begin{aligned}E_{x_0\sim p(x_0 )}\left(V^{\pi_{\theta_{OLD}}}(x_0)\right) &= \int_{x_0}V^{\pi_{\theta_{OLD}}}(x_0) p(x_0)dx_0\\ &= \int_{x_0} \left[p_\theta (u0, x1, ...)du_0dx_1\cdots\right]V^{\pi_{\theta_{OLD}}}(x_0) p(x_0)dx_0\\ &= \int_{x_0:\infty}V^{\pi_{\theta_{OLD}}}(x_0) p_\theta(x_0:\infty)dx_0:\infty\\ &= E_{x_0:\infty\sim p_{\theta}(x_0:\infty)}\left(V^{\pi_{\theta_{OLD}}}(x_0)\right) \end{aligned}

이를 통해,

J(θ)J(θOLD)=Ex0p(x0)(Vπθ(x0))Ex0p(x0)(VπθOLD(x0))=Ex0:pθ(x0:)[Vπθ(x0)]Ex0:pθ(x0:)[VπθOLD(x0)]=Ex0:pθ(x0:)[t=0γtr(xt,ut)]Ex0:pθ(x0:)[t=0γtVπθOLD(xt)t=1γtVπθOLD(xt)]=Ex0:pθ(x0:)[t=0γt(r(xt,ut)+γVπθOLD(xt+1)VπθOLD(xt))]\begin{aligned} J(\theta) - J(\theta_{OLD}) &= E_{x_0\sim p(x_0 )}\left(V^{\pi_{\theta}}(x_0)\right) - E_{x_0\sim p(x_0 )}\left(V^{\pi_{\theta_{OLD}}}(x_0)\right)\\&= E_{x_0:\infty\sim p_{\theta}(x_0:\infty)}\left[V^{\pi_{\theta}}(x_0)\right] - E_{x_0:\infty\sim p_{\theta}(x_0:\infty)}\left[V^{\pi_{\theta_{OLD}}} (x_0)\right]\\ &=E_{x_0:\infty\sim p_{\theta}(x_0:\infty)}\left[\sum_{t=0}^\infty \gamma^t r(x_t, u_t)\right] \\ &\qquad - E_{x_0:\infty\sim p_{\theta}(x_0:\infty)}\left[\sum_{t=0}^\infty \gamma^t V^{\pi_{\theta_{OLD}}} (x_t) - \sum_{t=1}^\infty \gamma^t V^{\pi_{\theta_{OLD}}} (x_t)\right] \\ &= E_{x_0:\infty\sim p_{\theta}(x_0:\infty)}\left[\sum_{t=0}^\infty \gamma^t\left( r(x_t, u_t) + \gamma V^{\pi_{\theta_{OLD}}} (x_{t+1}) - V^{\pi_{\theta_{OLD}}} (x_t)\right) \right] \end{aligned}

입니다.

여기서 어드밴티지 함수의 정의

Aπθ(xt,ut)=Qπθ(xt,ut)Vπθ(xt)=r(xt,ut)+Ext+1p(xt+1xt,ut)[γVπθOLD(xt+1)]VπθOLD(xt)=Ext+1p(xt+1xt,ut)[r(xt,ut)+γVπθOLD(xt+1)VπθOLD(xt)]\begin{aligned} A^{\pi_\theta}(x_t,u_t) &=Q^{\pi_\theta}(x_t,u_t) - V^{\pi_\theta}(x_t)\\ &= r(x_t, u_t) + E_{x_{t+1} \sim p(x_{t+1}\mid x_t, u_t)}[\gamma V^{\pi_{\theta_{OLD}}}(x_{t+1})] - V^{\pi_{\theta_{OLD}}} (x_t)\\ &= E_{x_{t+1} \sim p(x_{t+1}\mid x_t, u_t)}[r(x_t, u_t) + \gamma V^{\pi_{\theta_{OLD}}}(x_{t+1}) - V^{\pi_{\theta_{OLD}}} (x_t)]\\ \end{aligned}

로부터

J(θ)J(θOLD)=Ex0:pθ(x0:)[t=0γtAπθOLD(xt,ut)]=t=0Ex0:pθ(x0:)[γtAπθOLD(xt,ut)]\begin{aligned} J(\theta) - J(\theta_{OLD}) = E_{x_0:\infty\sim p_{\theta}(x_0:\infty)}\left[\sum_{t=0}^\infty \gamma^t A^{\pi_{\theta_{OLD}}}(x_t, u_t)\right]= \sum_{t=0}^\infty E_{x_0:\infty\sim p_{\theta}(x_0:\infty)}\left[\gamma^t A^{\pi_{\theta_{OLD}}}(x_t, u_t)\right] \end{aligned}

임을 알 수 있습니다.

또한, 어드밴티지 함수Aπθ(xt,ut)A^{\pi_{\theta}}(x_t, u_t)xt,utx_t, u_t의 함수이므로

Ex0:pθ(x0:)[Aπθ(xt,ut)]=Extpθ(xt)[Eutπθ(utxt)[Aπθ(xt,ut)]]E_{x_0:\infty\sim p_{\theta}(x_0:\infty)}\left[A^{\pi_{\theta}}(x_t, u_t)\right] = E_{x_t \sim p_\theta(x_t)}\left[ E_{u_t \sim \pi_\theta(u_t\mid x_t)} \left[ A^{\pi_{\theta}}(x_t, u_t)\right]\right]

임이 성립합니다. 이를 바탕으로 중요샘플링을 여기 적용해보면

Extpθ(xt)[Eutπθ(utxt)[Aπθ(xt,ut)]]=Extpθ(xt)[EutπθOLD(utxt)[πθ(utxt)πθOLD(utxt)Aπθ(xt,ut)]]E_{x_t \sim p_\theta(x_t)}\left[ E_{u_t \sim \pi_\theta(u_t\mid x_t)} \left[ A^{\pi_{\theta}}(x_t, u_t)\right]\right] = E_{x_t \sim p_\theta(x_t)}\left[ E_{u_t \sim \pi_{\theta_{OLD}}(u_t\mid x_t)} \left[ \frac{\pi_{\theta}(u_t\mid x_t)}{\pi_{\theta_{OLD}}(u_t\mid x_t)} A^{\pi_{\theta}}(x_t, u_t)\right]\right]

이고, pθpθOLDp_\theta \approx p_{\theta_{OLD}}를 가정하여 위의 목적함수 차이에 적용해보면,

J(θ)J(θOLD)=t=0Extpθ(xt)[EutπθOLD(utxt)[πθ(utxt)πθOLD(utxt)Aπθ(xt,ut)]]t=0ExtpθOLD(xt)[EutπθOLD(utxt)[πθ(utxt)πθOLD(utxt)Aπθ(xt,ut)]]\begin{aligned} J(\theta) - J(\theta_{OLD}) &= \sum_{t=0}^\infty E_{x_t \sim p_\theta(x_t)}\left[ E_{u_t \sim \pi_{\theta_{OLD}}(u_t\mid x_t)} \left[ \frac{\pi_{\theta}(u_t\mid x_t)}{\pi_{\theta_{OLD}}(u_t\mid x_t)} A^{\pi_{\theta}}(x_t, u_t)\right]\right]\\ &\approx \sum_{t=0}^\infty E_{x_t \sim p_{\theta_{OLD}}(x_t)}\left[ E_{u_t \sim \pi_{\theta_{OLD}}(u_t\mid x_t)} \left[ \frac{\pi_{\theta}(u_t\mid x_t)}{\pi_{\theta_{OLD}}(u_t\mid x_t)} A^{\pi_{\theta}}(x_t, u_t)\right]\right] \end{aligned}

입니다. 이 차이 값을 L(θ)L(\theta) 라고 하겠습니다.

그러면 J(θ)=J(θOLD)+L(θ)J(\theta) = J(\theta_{OLD}) + L(\theta) 입니다.

여기서 L(θ)L(\theta)θ\theta로 미분하여 보면

θL(θ)=t=0ExtpθOLD(xt)[EutπθOLD(utxt)[θπθ(utxt)πθOLD(utxt)Aπθ(xt,ut)]]=t=0ExtpθOLD(xt)[EutπθOLD(utxt)[πθ(utxt)πθOLD(utxt)θlogπθ(utxt)Aπθ(xt,ut)]]\begin{aligned} \nabla_\theta L(\theta) &= \sum_{t=0}^\infty E_{x_t \sim p_{\theta_{OLD}}(x_t)}\left[ E_{u_t \sim \pi_{\theta_{OLD}}(u_t\mid x_t)} \left[ \frac{\nabla_\theta\pi_{\theta}(u_t\mid x_t)}{\pi_{\theta_{OLD}}(u_t\mid x_t)} A^{\pi_{\theta}}(x_t, u_t)\right]\right]\\&= \sum_{t=0}^\infty E_{x_t \sim p_{\theta_{OLD}}(x_t)}\left[ E_{u_t \sim \pi_{\theta_{OLD}}(u_t\mid x_t)} \left[ \frac{\pi_{\theta}(u_t\mid x_t)}{\pi_{\theta_{OLD}}(u_t\mid x_t)} \nabla_\theta log \pi_\theta(u_t\mid x_t)A^{\pi_{\theta}}(x_t, u_t)\right]\right] \end{aligned}

이고 여기서 θOLD=θ\theta_{OLD} = \theta 인 경우 위의 Policy Reconstruction의 가장 처음 식인 θJ(θ)\nabla_\theta J(\theta)와 동일하게 됩니다. 즉 θOLD\theta_{OLD}θ\theta와 유사한 경우 이전의 정책으로 발생한 표본을 정책 업데이트에 사용 가능하게 됩니다.

자, 그럼 이것을 어떻게 적용할 까요? L(θ)L(\theta)를 최대한 큰 값으로 만들면서 정책을 크게 변화시키지 않음으로써 정책을 개선시킬 수 있습니다. 다음과 같이 제약조건이 있는 최적화 문제를 해결함으로써요..!

θ=argmaxθt=0ExtpθOLD(xt),utπθOLD(utxt)[πθ(utxt)πθOLD(utxt)AπθOLD(xt,ut)]subject  toπθ(utxt)πθOLD(utxt)\theta = \arg\max_\theta \sum_{t=0}^\infty E_{x_t \sim p_{\theta_{OLD}}(x_t),u_t \sim \pi_{\theta_{OLD}}(u_t \mid x_t)}\left[ \frac{\pi_{\theta}(u_t\mid x_t)}{\pi_{\theta_{OLD}}(u_t\mid x_t)} A^{\pi_{\theta_{OLD}}}(x_t, u_t)\right]\\ subject \; to \quad \pi_\theta(u_t\mid x_t) \approx \pi_{\theta_{OLD}}(u_t\mid x_t)

PPO (Proximal Policy Optimization) 알고리즘

PPO 알고리즘에서 현재의 정책과 이전의 정책이 유사하게 한정시키기 위해 Clipping 이라는 전략을 사용합니다.

이전의 정책과 현재의 정책의 비율을 다음과 같이 정의해봅시다.

ri(θ)=πθ(utxt)πθOLD(utxt)r_i(\theta) = \frac{\pi_\theta(u_t\mid x_t)}{\pi_{\theta_{OLD}}(u_t\mid x_t)}

여기서 Clipping 이라는 것은 다음과 같이 ri(θ)r_i(\theta)값을 1ϵ1-\epsilon1+ϵ1+\epsilon 사이로 유지시켜 주는 것입니다.

clip(ri(θ),1ϵ,1+ϵ)={1+ϵ,  if  ri(θ)1+ϵ1ϵ,  if  ri(θ)1ϵri(θ),  otherwiseclip(r_i(\theta), 1-\epsilon, 1+\epsilon) = \begin{cases} 1+\epsilon, \; if \; r_i(\theta) \geq 1+\epsilon\\ 1-\epsilon, \; if \; r_i(\theta) \leq 1-\epsilon\\ r_i(\theta), \; otherwise \end{cases}

이를 이용해 새로운 목적함수인 Ltclip(θ)L_t^{clip}(\theta)θ\theta의 최적화 문제를 다음과 같이 나타낼 수 있습니다.

LTclip(θ)=min{ri(θ)AπOLD(xt,ut),clip(ri(θ),1ϵ,1+ϵ)AπOLD(xt,ut)}L_T^{clip}(\theta) = min\{r_i(\theta)A^{\pi_{OLD}}(x_t, u_t), clip(r_i(\theta), 1-\epsilon, 1+\epsilon)A^{\pi_{OLD}}(x_t, u_t)\}
θargmaxθt=0Ex0:utpθOLD(x0:ut)[LTclip(θ)]\theta \leftarrow \arg\max_\theta\sum_{t = 0 }^{\infty}E_{x_0:u_t \sim p_{\theta_{OLD}}(x_0:u_t)}\left[L_T^{clip}(\theta)\right]

여기서 LTclip(θ)L_T^{clip}(\theta) 값은 AπOLD(xt,ut)>0A^{\pi_{OLD}}(x_t, u_t) >0 인 경우와 AπOLD(xt,ut)<0A^{\pi_{OLD}}(x_t, u_t) <0 인 경우로 나누어 생각해 볼 수 있는데요.

  • AπOLD(xt,ut)>0A^{\pi_{OLD}}(x_t, u_t) >0 인 경우 : 상태 xtx_t에서 선택된 행동 utu_t가 평균에 비해 좋다는 뜻이기 때문에 새로운 정책은 그 행동을 선택한 정책보다 더욱 높은 확률 값을 갖기때문에 ri(θ)r_i(\theta)값이 커지고 이를 1+ϵ1+\epsilon까지 제한합니다.

  • AπOLD(xt,ut)<0A^{\pi_{OLD}}(x_t, u_t) <0 인 경우 : 상태 xtx_t에서 선택된 행동 utu_t가 평균에 비해 좋지 않다는 뜻이기 때문에 새로운 정책은 그 행동을 선택한 정책보다 더욱 낮은 확률 값을 갖으려 하기 때문에 ri(θ)r_i(\theta)값이 작아지고 이를 1ϵ1-\epsilon까지 제한합니다.

PPO algorithm

  1. 크리틱 신경망 (ϕ\phi) 과 액터 신경망 (θ\theta) 을 초기화 합니다.

    • 2.1 이전 정책을 이용해 확률적으로 행동을 선택합니다.

    • 2.2 TD타겟값 yiy_i와 어드밴티지 Aϕ(xt,ut)A_\phi(x_t,u_t)를 계산합니다.

    • 2.3 (xt,ut,yt,Aϕ(xt,ut),logπθOLD(utxt))(x_t, u_t, y_t, A_\phi(x_t,u_t), log\pi_{\theta_{OLD}}(u_t\mid x_t) ) 를 배치에 저장합니다.

    • 2.1 - 2.3 을 N 번 반복하여 크기 N인 배치를 수집합니다.

      \;

    • 3.1 설정된 미니배치 크기 BB 만큼의 데이터를 얻습니다.

    • 3.2 크리틱 신경망의 손실함수를 계산합니다.

      L=12Bi(yiVϕ(xi))2L = \frac{1}{2B}\sum_i(y_i - V_\phi(x_i))^2
    • 3.3 손실함수의 그래디언트 값을 이용해 크리틱 신경망 ϕ\phi을 업데이트하여 줍니다.

    • 3.4 LiclipL_i^{clip}을 계산하고 그래디언트를 통해 액터 신경망 θ\theta를 업데이트 하여 줍니다.

    • 3.1 - 3.4 까지 모든 배치를 사용할 때 까지 반복하여 줍니다.

  2. 2.과 3.을 지정된 횟수 만큼 반복하여 줍니다.

GAE (Generalized Advantage Estimation)

어드밴티지를 계산할때 대게 n-스텝의 값을 이용해 어드밴티지 추정값을 이용합니다. 하지만 여기서 n이 작은 경우 편향이 크고 분산이 낮지만, n이 큰 경우 편향이 작아지지만 분산이 커집니다. PPO 알고리즘에서는 다음과 같은 GAE방법을 이용해서 어드밴티지값을 추정합니다.

AϕGAE(xt,ut)=n=1ωnAϕ(n)(xt,ut)A^{GAE}_\phi(x_t, u_t) = \sum_{n=1}^{\infty}\omega_nA_\phi^{(n)}(x_t, u_t)

여기서 Aϕ(n)(xt,ut)=k=tt+n1γkt(r(xt,ut)+γVϕ(xt+1)Vϕ(xt))A_\phi^{(n)}(x_t, u_t) = \sum_{k =t}^{t+n-1}\gamma^{k-t}(r(x_t,u_t) + \gamma V_\phi(x_{t+1})- V_\phi(x_{t})) 입니다. (이는 n스텝 어드밴티지 함수의 정의를 통해 쉽게 얻을 수 있습니다.)

위 식에서 ωn=(1λ)λn1\omega_n = (1-\lambda)\lambda^{n-1}인 경우, GAE값은

AϕGAE(xt,ut)=k=t(γλ)kt(r(xt,ut)+γVϕ(xt+1)Vϕ(xt))A^{GAE}_\phi(x_t, u_t) = \sum_{k=t}^{\infty}(\gamma\lambda)^{k-t}(r(x_t,u_t) + \gamma V_\phi(x_{t+1})- V_\phi(x_{t}))

로 얻을 수 있습니다. (자세한 계산은 https://www.youtube.com/watch?v=cIyXYYdZIsk (38:35) 를 참고!)

여기서

  • λ=0\lambda = 0 이면, AϕGAE(xt,ut)=Aϕ(1)(xt,ut)A^{GAE}_\phi(x_t, u_t) = A_\phi^{(1)}(x_t, u_t)

  • λ1\lambda \to 1 이면, AϕGAE(xt,ut)Aϕ()(xt,ut)A^{GAE}_\phi(x_t, u_t) \to A_\phi^{(\infty)}(x_t, u_t)

이기 때문에 λ\lambda값을 잘 조정하여 어드밴티지의 추정값의 분산과 편향을 trade-off 하여 적절한 값을 얻을 수 있습니다.

마무리

PPO 알고리즘에 대해 알아보았습니다. 정말 복잡한 과정을 거친것 같지만 사실 알고리즘 설명을 보시면 아시다시피 크게 어려운 방법이 아닙니다. PPO 알고리즘은 여전히 인기있는 알고리즘이며 여러 실험들에서 강력한 성능을 보여주었습니다.

PPO 알고리즘은 Python 에서 stable-baselines3에 잘 구현되어 있으며, 여러 커스텀 설정과 잘 상호작용하므로 사용하는데에 큰 무리는 없으실 것입니다! (저는 논문을 보면서 열심히 짜고 있었는데 이러한 라이브러리가 있더군요..)

profile
Statistician, Data Analyst

0개의 댓글