空中悬停、翻滚转身、成功着陆，我用强化学习“回收”了SpaceX的火箭( 二 )

文章图片
实现效果
Zou实现了上述环境，并且训练了一个基于策略的智能体（actor-critic）来解决这个问题。在超过20,000个训练episodes之后， episode奖励最终收敛地非常好。
下图左为悬停任务上不同训练episode数量时的奖励；图右为着陆任务上不同episode数量时的奖励。

文章图片
以下几个动图分别展示了经过不同训练episode后学习到的RL行为：

文章图片
左：训练episode为0（随机智能体），右：训练episode为100 。

文章图片
左：训练episode为2,000 ，右：训练episode为10,000 。

文章图片
20,000个训练episode之后，左：执行悬停任务的完全训练智能体，右：执行着陆任务的完全训练智能体。
与SN10着陆的动效对比
尽管环境和奖励的设置很简单，但经过训练的智能体已经很好地学会了BellyFlop式降落。
如下动图展示了真实的StarshipSN10和从强化学习中学到的智能体在着陆时的比较：

文章图片
?
智能体训练与测试
训练智能体，需要./example_train.py 。
测试智能体的流程如下：
作者简介
项目作者ZhengxiaZou现为密歇根大学安娜堡分校的博士后研究员，此前先后于2013年和2018年取得北京航空航天大学的学士和博士学位。他的主要研究兴趣包括计算机视觉及其在遥感、自动驾驶汽车和电子游戏等领域的相关应用。

文章图片
谷歌学术主页：https://scholar.google.com/citations?user=DzwoyZsAAAAJ&hl=en
ZhengxiaZou参与撰写的论文被AAAI、CVPR、ICCV、IJCAI、ACMMM等多个学术顶会接收。他还曾担任NeurIPS、AAAI、ACCV和WACV等多个学术会议的程序委员，以及ICLR会议及IEEETransactionsonImageProcessing等多份期刊的审稿人。
机器之心此前报道过多篇他参与的研究，包括如下：
参考链接：
https://www.reddit.com/r/MachineLearning/comments/qt2tws/pr_rocketrecycling_with_reinforcement_learning/
第一期：快速搭建基于Python和NVIDIATAOToolkit的深度学习训练环境
英伟达AI框架TAO（Train,Adapt,andoptimization）提供了一种更快、更简单的方法来加速培训，并快速创建高度精确、高性能、领域特定的人工智能模型。
11月15日19:30-21:00 ，英伟达专家带来线上分享，将介绍：
NVIDIATAOToolkit的独到特性
快速部署NVIDIATAOToolkit
利用NVIDIATAOToolkit快速搭建深度学习训练环境
【空中悬停、翻滚转身、成功着陆，我用强化学习“回收”了SpaceX的火箭】利用TAOToolkit快速训练部署目标检测模型