长期以来，如何提升数据利用效率被认为是强化学习落地应用的一大桎梏。过去非策略（off-policy）的强化学习虽然能反复利用收集到的数据来进行策略优化，然而这些方法未能最大限度地利用重放缓冲区（Replay buffer）中的信息，导致了样本效率与策略优化性能不足。此外，基于模型（Model-based）的强化学习通过学习环境模型的方式提取了数据中的信息，然而这样的方法训练耗时过长，并且容易受到模型外推误差的影响。

图片

近期，清华大学计算机系罗宇博士，孙富春教授等在CCF A类会议International Conference on Machine Learning 2024发表的工作，提出了离线策略提升的在线演员-评论家的无模型强化学习训练框架。在6个任务类的53个任务中，包含了多关节运动控制、机械臂操作任务、复杂肌肉控制等，该方法超越了经典的非策略无模型强化学习方法，并与基于模型的强化学习方法具有相当的采样效率和性能，而训练耗时降低了5倍，参数量降低了2倍，显著提升了训练效率。

一、离线策略在在线训练中的优势

由于非策略强化学习在训练过程中使用重放缓冲区来存放数据，因此引入离线强化学习来挖掘缓冲区中的高质量数据成为了一种高效利用的方案。为了探究引入离线最优策略是否具有优势，本工作使用OpenAI Gym中的任务，并设计了三种智能体进行了一系列实验。

（1）在线训练的非策略智能体：使用Soft Actor Critic （简称SAC）作为非策略强化学习算法，通过智能体与各个环境交互一百万次所获得的数据来进行训练。在每次交互中，新探索到的数据会被收集到一个重放缓冲中，并从中随机采样数据来更新策略。

（2）并发训练的离线强化学习智能体：在训练SAC策略的同时，采用Implicit Q-Learning（简称IQL）来协同训练。具体地，基于数据量不断提升的SAC缓冲区中，使用其中的数据并发式地训练离线最优策略，并使用离线最优策略进行测试。在训练过程中，并发的IQL策略不会与环境进行交互。

（3）在线训练的离线智能体：与在线训练的非策略智能体训练过程类似，使用IQL策略替代了SAC策略，即使用IQL策略与环境进行交互，将获得的数据存入重放缓冲区中，并使用这些数据来更新IQL策略。

其实验结果如下图所示。在每项任务中，对比并发训练的离线强化学习智能体（IQL Concurrent）与在线训练的非策略智能体（SAC）时，曲线的相交点即代表了二者性能的差异。由于两个智能体共享了由SAC策略探索的数据并存放在SAC缓冲区中，与SAC策略相比，并发训练的IQL策略能够在数据不断增长的情况下自动辨识出性能更优的策略，即随着数据的增多与覆盖度提升，这样的方式能够更好地利用已收集的数据，获得更佳的策略性能。尽管如此，仅仅通过在线训练的离线智能体会导致性能过快收敛，难以探索到质量更优的新数据，因此表现出明显的保守性。

二、离线策略增强的策略迭代理论分析

理论分析包含策略评估与策略优化两个部分。

（1）策略评估

从重放缓冲区中随机采样数据后，使用贝尔曼期望算子分别对离线策略和在线策略计算目标值函数为

利用该目标值来对两种策略的状态-动作值函数进行更新，并计算状态值函数为

由于贝尔曼期望算子所具有的压缩映射性质，易得该评估过程对于两种策略都是稳定收敛的。

（2）策略提升

根据上文中的例子，当在线策略性能优于离线策略时，这表明了即使使用重放缓冲区中的最优动作，在线学习策略的性能仍然会比它们更好，即此时引入离线最优策略是无意义的。因此，在执行值函数最大化来优化策略时，无需考虑离线最优策略，避免了潜在的性能负面影响；相反地，当离线策略性能优于在线策略时，与当前学习策略相比，对于相同的状态重放缓冲区中存在性能更优的行动。在这种情况下，考虑在目标函数中添加策略约束，以确保更新后的策略不仅能优化目标函数，还能整合离线最优策略中更好的行动分布，从而实现在线学习策略性能进一步提升。

基于上述思想，将策略改进步骤中的优化问题重构为

其中，𝑓(⋅) 是一个正则化函数用于计算两个策略分布之间的距离，𝟙(⋅) 是一个指标函数。优化问题中的约束条件允许在策略优化的过程中自适应地将离线最优策略融合到在线策略学习中，仅当离线最优策略性能更优时用于指导在线策略的优化。上述约束优化问题在约束被激活时，可得到如下的闭式解

通过该闭式解，可证明在带约束的情况下，任意初始化的在线学习策略可以收敛到最优策略。

三、基于离线策略增强的演员-评论家算法设计

通过上述的策略评估与策略改进两个步骤，本文使用演员-评论家的框架来实现。具体地，算法实现过程可分为环境交互收集数据与算法更新两个步骤。在交互过程中，策略根据当前状态生成动作，环境则依据该状态和动作生成下一个时刻状态与当前奖励，最后这些数据存入重放缓冲区中；在训练过程中，如上所述，分别对两种策略进行评估，获得相应的值函数，随后采用自适应约束的形式来优化策略，整个训练过程如下图所示。

四、实验结果与分析

本文使用了 6 个任务类中的 53 项连续控制任务中对 OBAC 算法进行了实验评估，包括：Mujoco、DMControl、Meta-Worl、Adroit、Myosuit和Maniskill2。这些任务涉及了高维状态和动作、稀疏奖励、多目标和精细操作、肌肉骨骼控制以及复杂刚体运动等。本文设置了如下的对比算法：1）SAC和 TD3，两种高效的非策略在线无模型强化学习方法，区别在于前者使用了随机策略，而后者使用确定性策略；2）BAC，一种非策略无模型强化学习方法，利用离线最优策略的状态-行动值来缓解在线学习策略的 𝑄 值函数被低估的问题；3）TD-MPC2，一种基于模型的高效强化学习方法，该方法结合了模型预测控制和时序差分学习，在多个任务下获得了较高的策略性能和样本效率。

作为一种无模型强化学习方法，OBAC 明显优于其他非策略的无模型强化学习对比方法，并在探索效率和渐进性能上表现出与基于模型的强化学习方法相当的性能。并且，使用同一套超参数的情况下，OBAC 在高维运动任务（DogRun）、多体接触操作（Baoding4th）和复杂肌肉控制任务（myoHand）中表现出色。

与基于模型的强化学习方法 TD-MPC2 相比，OBAC 的参数数量减少了 50%，并且其架构更加简单，并且每个组件都采用了一个隐藏层大小为 512 的 3 层感知机。相比之下，TD-MPC2 需要额外的组件，包括动态模型、奖励模型和 5 个评论家网络。得益于此，OBAC 在训练效率方面也有显著提高，每 100 万步环境交互只需要 TD-MPC2 的 20% 训练时间，同时还能保持相当的采样效率和收敛性能。而与其他无模型 RL 方法相比，如 BAC、SAC 和 TD3，OBAC 的训练时间相似，具备较高的训练效率。

五、小结

本工作的核心工作点如下：

1. 创新性地挖掘了在非策略强化学习训练过程中使用离线强化学习技术的可能性，并且从理论上证明了本文所提出的自适应约束能够保证策略收敛到最优策略。

2. 基于上述理论分析，本文设计了一种离线策略增强的演员-评论家的训练框架，实现了在线策略的低成本训练与高样本效率。

3. 在使用相同的超参数的情况下，本文提出的方法在大量挑战性的任务中取得了优于当前非策略强化学习的性能，并作为无模型的训练方法达到了与有模型训练方法的样本效率。

相比于已有的工作，本文提出的方法还提供了将乐观的非策略在线强化学习与悲观的离线强化学习相结合的新方式，使得离线强化学习的优势能够进一步提升在线策略的性能。该节的研究工作可以通过以下方式进行扩展：在推导离线最优策略时应用更先进的离线 RL 方法，或者在在线策略中加入更多探索，以促进获取更好的数据，从而使得 OBAC 能够从开发和探索两方面提高策略性能。