如今，強(qiáng)化學(xué)習(xí)（Reinforcement Learning，RL）在多個(gè)領(lǐng)域已取得顯著成果。

在實(shí)際應(yīng)用中，具有長(zhǎng)時(shí)間跨度和稀疏獎(jiǎng)勵(lì)特征的任務(wù)非常常見(jiàn)，而強(qiáng)化學(xué)習(xí)方法在這類(lèi)任務(wù)中的表現(xiàn)仍難令人滿意。

傳統(tǒng)強(qiáng)化學(xué)習(xí)方法在此類(lèi)任務(wù)中的探索能力常常不足，因?yàn)橹挥性趫?zhí)行一系列較長(zhǎng)的動(dòng)作序列后才能獲得獎(jiǎng)勵(lì)，這導(dǎo)致合理時(shí)間內(nèi)找到有效策略變得極其困難。

假如將模仿學(xué)習(xí)（Imitation Learning, IL）的思路引入強(qiáng)化學(xué)習(xí)方法，能否改善這一情況呢？

模仿學(xué)習(xí)通過(guò)觀察專家的行為并模仿其策略來(lái)學(xué)習(xí)，通常用于強(qiáng)化學(xué)習(xí)的早期階段，尤其是在狀態(tài)空間和動(dòng)作空間巨大且難以設(shè)計(jì)獎(jiǎng)勵(lì)函數(shù)的場(chǎng)景。

近年來(lái)，模仿學(xué)習(xí)不僅在傳統(tǒng)的強(qiáng)化學(xué)習(xí)中取得了進(jìn)展，也開(kāi)始對(duì)大語(yǔ)言模型（LLM）產(chǎn)生一定影響。近日，加州大學(xué)伯克利分校的研究者提出了一種名為 Q-chunking 的方法，該方法將動(dòng)作分塊（action chunking）—— 一種在模仿學(xué)習(xí)中取得成功的技術(shù) —— 引入到基于時(shí)序差分（Temporal Difference, TD）的強(qiáng)化學(xué)習(xí)中。

該方法主要解決兩個(gè)核心問(wèn)題：一是通過(guò)時(shí)間上連貫的動(dòng)作序列提升探索效率；二是在避免傳統(tǒng) n 步回報(bào)引入偏差的前提下，實(shí)現(xiàn)更快速的值傳播。

• 論文標(biāo)題：Reinforcement Learning with Action Chunking
• 論文地址：https://www.alphaxiv.org/overview/2507.07969v1
• 代碼地址：https://github.com/ColinQiyangLi/qc

如下圖 1 左所示，Q-chunking（1）使用動(dòng)作分塊來(lái)實(shí)現(xiàn)快速的價(jià)值回傳，（2）通過(guò)時(shí)間連貫的動(dòng)作進(jìn)行有效探索。圖 1 右中，本文方法首先在離線數(shù)據(jù)集上進(jìn)行 100 萬(wàn)步的預(yù)訓(xùn)練（灰色部分），然后使用在線數(shù)據(jù)更新，再進(jìn)行另外 100 萬(wàn)步的訓(xùn)練（白色部分）。

問(wèn)題表述與研究動(dòng)機(jī)

Q-chunking 旨在解決標(biāo)準(zhǔn)強(qiáng)化學(xué)習(xí)方法在復(fù)雜操作任務(wù)中存在的關(guān)鍵局限性。

在傳統(tǒng)強(qiáng)化學(xué)習(xí)中，智能體在每一個(gè)時(shí)間步上逐一選擇動(dòng)作，這常常導(dǎo)致探索策略效率低下，表現(xiàn)為抖動(dòng)、時(shí)間不連貫的動(dòng)作序列。這一問(wèn)題在稀疏獎(jiǎng)勵(lì)環(huán)境中尤為嚴(yán)重 —— 在此類(lèi)環(huán)境中，智能體必須執(zhí)行較長(zhǎng)的、協(xié)調(diào)一致的動(dòng)作序列才能獲得有效反饋。

研究者提出了一個(gè)關(guān)鍵見(jiàn)解：盡管馬爾可夫決策過(guò)程中的最優(yōu)策略本質(zhì)上是馬爾可夫性的，但探索過(guò)程卻可以從非馬爾可夫性、時(shí)間上擴(kuò)展的動(dòng)作中顯著受益。這一觀察促使他們將「動(dòng)作分塊」這一原本主要用于模仿學(xué)習(xí)的策略引入到時(shí)序差分學(xué)習(xí)中。

該方法特別面向離線到在線的強(qiáng)化學(xué)習(xí)場(chǎng)景（offline-to-online RL），即智能體先從預(yù)先收集的數(shù)據(jù)集中進(jìn)行學(xué)習(xí)，再通過(guò)在線交互進(jìn)行微調(diào)。這一設(shè)定在機(jī)器人應(yīng)用中尤為重要，因?yàn)樵诰€數(shù)據(jù)采集成本高且可能存在安全風(fēng)險(xiǎn)。

方法概覽

Q-chunking 將標(biāo)準(zhǔn)的 Q-learning 擴(kuò)展至?xí)r間擴(kuò)展的動(dòng)作空間，使策略不再僅預(yù)測(cè)單一步驟的動(dòng)作，而是預(yù)測(cè)連續(xù) h 步的動(dòng)作序列。該方法主要包含兩個(gè)核心組成部分：

擴(kuò)展動(dòng)作空間學(xué)習(xí)

傳統(tǒng)方法學(xué)習(xí)的是針對(duì)單步動(dòng)作的策略 π(a? | s?) 和 Q 函數(shù) Q (s?, a?)，而 Q-chunking 學(xué)習(xí)的是：

* 塊狀策略（Chunked Policy）：π_ψ(a?:??? | s?)

* 塊狀 Q 函數(shù)（Chunked Q-function）：Q_θ(s?, a?:???)

核心創(chuàng)新體現(xiàn)在時(shí)間差分損失（TD loss）的構(gòu)造上。塊狀 Q 函數(shù)的更新方式如下：

該形式實(shí)現(xiàn)了無(wú)偏的 h 步的值傳播，因?yàn)?Q 函數(shù)以整個(gè)動(dòng)作序列作為輸入，從而消除了傳統(tǒng) n 步回報(bào)中存在的離策略偏差（off-policy bias）。

行為約束

為了保證時(shí)間上的連貫性探索，并有效利用離線數(shù)據(jù)，Q-chunking 在擴(kuò)展動(dòng)作空間中對(duì)學(xué)習(xí)到的策略施加了行為約束，使其保持接近離線數(shù)據(jù)分布。該約束表達(dá)如下：

其中，D 表示一種距離度量方法，π_β 是來(lái)自離線數(shù)據(jù)集的行為策略。

算法實(shí)現(xiàn)

研究者展示了Q-chunking框架的兩種實(shí)現(xiàn)方式：

QC（帶有隱式 KL 約束的 Q-chunking）

該分支通過(guò)「從 N 個(gè)中選擇最優(yōu)」（best-of-N）的采樣策略，隱式地施加 KL 散度約束。其方法如下：

1. 在離線數(shù)據(jù)上訓(xùn)練一個(gè)流匹配行為策略 f_ξ(?|s)

2. 對(duì)于每個(gè)狀態(tài)，從該策略中采樣 N 個(gè)動(dòng)作序列（action chunks）

3. 選擇具有最大 Q 值的動(dòng)作序列：a* = arg max_i Q (s, a_i)

4. 使用該動(dòng)作序列進(jìn)行環(huán)境交互與 TD 更新

QC-FQL（帶有 2-Wasserstein 距離約束的 Q-chunking）

該實(shí)現(xiàn)基于 FQL（Flow Q-learning）框架：

1. 保持一個(gè)獨(dú)立的噪聲條件策略 μ_ψ(s, z)

2. 訓(xùn)練該策略以最大化 Q 值，并通過(guò)正則項(xiàng)使其靠近行為策略

3. 使用一種蒸餾損失函數(shù)，對(duì)平方的 2-Wasserstein 距離進(jìn)行上界估計(jì)

4. 引入正則化參數(shù) α 來(lái)控制約束強(qiáng)度

實(shí)驗(yàn)設(shè)置及結(jié)果

關(guān)于實(shí)驗(yàn)環(huán)境和數(shù)據(jù)集，研究者首先考慮 6 個(gè)稀疏獎(jiǎng)勵(lì)的機(jī)器人操作任務(wù)域，任務(wù)難度各不相同，包括如下：

來(lái)自 OGBench 基準(zhǔn)的 5 個(gè)任務(wù)域：scene-sparse、puzzle-3x3-sparse，以及 cube-double、cube-triple 和 cube-quadruple，每個(gè)任務(wù)域包含 5 個(gè)任務(wù)；來(lái)自 robomimic 基準(zhǔn)中的 3 個(gè)任務(wù)。

對(duì)于 OGBench，研究者使用默認(rèn)的「play-style」數(shù)據(jù)集，唯獨(dú)在 cube-quadruple 任務(wù)中，使用了一個(gè)規(guī)模為 1 億大小的數(shù)據(jù)集。

關(guān)于基線方法比較，研究者主要使用了以加速「價(jià)值回傳」為目標(biāo)的已有方法，以及此前表現(xiàn)最好的「離線到在線」強(qiáng)化學(xué)習(xí)方法，包括 BFN（best-of-N）、FQL、BFN-n / FQL-n 以及 LPD、RLPD-AC。

下圖 3 中展示了 Q-chunking 與基線方法在 5 個(gè) OGBench 任務(wù)域上的整體性能表現(xiàn)，下圖 4 中展示了在 3 個(gè) robomimic 任務(wù)上的單獨(dú)性能表現(xiàn)。其中在離線階段（圖中為灰色），QC 表現(xiàn)出具有競(jìng)爭(zhēng)力的性能，通常可以比肩甚至有時(shí)超越了以往最優(yōu)方法。而在在線階段（圖中為白色），QC 表現(xiàn)出極高的樣本效率，尤其是在 2 個(gè)最難的 OGBench 任務(wù)域（cube-triple 和 quadruple）中，其性能遠(yuǎn)超以往所有方法（特別是 cube-quadruple 任務(wù)）。

下圖 5 為消融實(shí)驗(yàn)，比較了 QC 與其變體 QC-FQL、以及 2 種 n 步回報(bào)的基線方法（BFN-n 和 FQL-n）。這些 n 步回報(bào)基線方法沒(méi)有利用時(shí)間擴(kuò)展的 critic 或 policy，因此其性能顯著低于 QC 和 QC-FQL。實(shí)際上，它們的表現(xiàn)甚至常常不如 1 步回報(bào)的基線方法 BFN 和 FQL，這進(jìn)一步突顯了在時(shí)間擴(kuò)展動(dòng)作空間中進(jìn)行學(xué)習(xí)的重要性。

接下來(lái)探討的問(wèn)題是：為什么動(dòng)作分塊有助于探索？研究者在前文提出了一個(gè)假設(shè)：動(dòng)作分塊策略能夠生成在時(shí)間上更連貫的動(dòng)作，從而帶來(lái)更好的狀態(tài)覆蓋和探索效果。

為了進(jìn)行實(shí)證，他們首先可視化了訓(xùn)練早期 QC 與 BFN 的末端執(zhí)行器運(yùn)動(dòng)軌跡，具體如下圖 7 所示。可以看到，BFN 的軌跡中存在大量停頓（在圖像中心區(qū)域形成了一個(gè)大而密集的簇），特別是在末端執(zhí)行器下壓準(zhǔn)備抓取方塊時(shí)。而 QC 的軌跡中則明顯停頓較少（形成的簇更少且更淺），并且其在末端執(zhí)行器空間中的狀態(tài)覆蓋更加多樣化。

為了對(duì)動(dòng)作的時(shí)間連貫性進(jìn)行定量評(píng)估，研究者在訓(xùn)練過(guò)程中每 5 個(gè)時(shí)間步記錄一次 3D 末端執(zhí)行器位置，并計(jì)算相鄰兩次位置差向量的平均 L2 范數(shù)。如果存在較多停頓或抖動(dòng)動(dòng)作，該平均范數(shù)會(huì)變得較小，因此可以作為衡量動(dòng)作時(shí)間連貫性的有效指標(biāo)。

正如圖 7（右）所示，在整個(gè)訓(xùn)練過(guò)程中，QC 的動(dòng)作時(shí)間連貫性明顯高于 BFN。這一發(fā)現(xiàn)表明，QC 能夠提高動(dòng)作的時(shí)間連貫性，從而解釋了其更高的樣本效率。

更多細(xì)節(jié)內(nèi)容請(qǐng)參考原論文。