Adaptation de la matrice de covariance pour l'apprentissage par renforcement direct

Résumé : La résolution de problèmes à états et actions continus par l’optimisation de politiques paramétriques est un sujet d’intérêt récent en apprentissage par renforcement. L’algorithme PI est un exemple de cette approche, qui bénéficie de fondements mathématiques solides tirés de la commande stochastique optimale et des outils de la théorie de l’estimation statistique. Dans cet article, nous considérons PI en tant que membre de la famille plus vaste des méthodes qui partagent le concept de moyenne pondérée par les probabilités pour mettre à jour itérativement des paramètres afin d’optimiser une fonction de coût. Nous comparons PI à d’autres membres de la même famille – la « méthode d’entropie croisée » et CMA-ES 1 – au niveau conceptuel et en termes de performance. La comparaison débouche sur la dérivation d’un nouvel algorithme que nous appelons PI-CMA pour « Path Integral Policy Improvement with Covariance Matrix Adaptation ». Le principal avantage de PI-CMA est qu’il détermine l’amplitude du bruit d’exploration automatiquement.