3-3 報酬とエピソード完了

エージェントが「行動」を行ったことにより、環境に変化が起こる。 ↓でいう4番目と5番目で、これを評価しポリシーを更新する過程になる

報酬とは

「報酬」はエージェントの「行動」に対する環境からの評価です。強化学習アルゴリズムは、エージェントが時間の経過とともに高い「収益」を獲得するように「行動」を最適化します。

「強化学習サイクル」では、エージェントは「行動」の実行結果に応じて「報酬」を受け取り、その「報酬」に応じて「ポリシー」を更新します。

現在のステップの即時報酬の設定

現在のステップの「即時報酬」を設定するには、AgentクラスのAddReward()とSetReward()を使います。これらを設定しない場合の即時報酬は「0.0」になります。

・void AddReward(float increment)：現在のステップの即時報酬に加算
・void SetReward(float reward)：現在のステップの即時報酬を設定

現在の累計報酬の取得

現在の「累計報酬」を取得するには、AgentクラスのGetCumulativeReward()を使います。これは、エピソード開始から現在までの累計報酬ですが、現在のステップの即時報酬は含まれていません。
また、現在が何ステップ目であるかを取得するには、AgentクラスのStepCountを使います。

・float GetCumulativeReward():現在の累計報酬の取得
・int StepCount：現在が何ステップ目であるかの取得

報酬シグナル

「Unity ML-Agents」の「報酬」には、先で説明した環境によって与えられる「環境報酬」の他に、未知の状態に訪れることに対して与えられる「Curiosity報酬」と、人間のデモを模倣することに対して与えられる「GAIL報酬」があります。これら報酬をまとめて「報酬シグナル」と呼びます。

・環境報酬：環境によって与えられる報酬
・Curiosity報酬：未知の状態に訪れることに対して与えられる報酬
・GAIL報酬：人間のデモを模倣することに対して与えられる報酬

報酬を設定する際のポイント

「報酬」を設定する際に気をつけるポイントを紹介します。

・「エピソード結果」に対する報酬は、「結果に繋がる行動」に対する報酬よりも、良い学習に繋がる

ゲームの勝敗に対して報酬を与えた方が、良い学習に繋がります。

・１エピソードの報酬の値は、「- 1.0 ~ 1.0」の範囲内に納まる程度が望ましい

過度に大きな報酬は、学習効率が悪くなることがあります。

・プラス報酬はマイナス報酬よりも、良い学習に繋がる

過度に大きなマイナス報酬を与えると、プラス報酬に繋がる行動であっても、選択しなくなる場合があります。

エピソード完了とは

「エピソード完了」の設定方法には次の２種類の方法があります。

・ EndEpisode()：エピソード完了
・ MaxStep：エピソードの最大ステップ数

・EndEpisode()

任意のタイミングで「エピソード完了」を行うには、AgentクラスのEndEpisode()を使います。

・MaxStep

「Max Step」はエピソードの最大ステップ数です。
エピソードのステップ数がこれを超えると、「エピソード完了」となります。 「0」を指定すると、無制限になります。
「Max Step」はAgentクラスを継承したスクリプトの「Max Step」で設定します。

エピソード完了を設定する際のポイント

「エピソード」を設定する際に気を付けるポイントを紹介

・学習に必要な要素をすべて含みつつも、なるべく少ないステップ数で終わるようにエピソードを設定

1エピソード完了までに時間がかかる学習環境は、学習効率が悪くなります。

・エージェントがエピソード完了まで辿り着かないことがある環境では、必ず「Max Step」を設定

エピソード完了ができず、学習が進まなくなることを防ぎます。