摘要
我们提出了一种简单且通用的数据增强技术，可直接应用于标准的无模型强化学习算法，使其能够直接从像素输入中实现鲁棒学习，而无需依赖辅助损失函数或预训练过程。该方法利用计算机视觉任务中常见的输入扰动来正则化价值函数，从而提升学习稳定性。现有的无模型方法（如软演员-评论家算法，SAC）在直接从图像像素训练深层网络时表现不佳。然而，通过引入我们提出的增强方法，SAC的性能得到显著提升，能够在DeepMind控制基准（DeepMind Control Suite）上达到当前最先进的水平，超越了多种基于模型的方法（如Dreamer、PlaNet和SLAC）以及近期提出的对比学习方法（CURL）。该方法可与任意无模型强化学习算法结合使用，仅需进行少量代码修改。相关实现可访问：https://sites.google.com/view/data-regularized-q。