簡介基于Python實現(xiàn)的DDQN多無人機物聯(lián)網(wǎng)數(shù)據(jù)采集項目源碼面向強化學(xué)習(xí)研究者、無人機系統(tǒng)開發(fā)者及物聯(lián)網(wǎng)方向?qū)W習(xí)者既服務(wù)科研驗證也可用作畢業(yè)設(shè)計與工程原型直接回應(yīng)多機協(xié)同路徑規(guī)劃與數(shù)據(jù)采集的智能控制問題。壓縮包共34個文件以29個Python腳本為主體覆蓋算法核心模型、訓(xùn)練入口、環(huán)境模擬、物聯(lián)網(wǎng)設(shè)備管理、狀態(tài)計算與獎勵函數(shù)等模塊另含2個JSON運行配置用于切換城區(qū)與曼哈頓場景、2張對應(yīng)地圖PNG及1份README文檔包體僅39KB輕量精煉且便于快速啟動和二次開發(fā)。項目將雙深度Q網(wǎng)絡(luò)對Q值過估計的改進機制與物聯(lián)網(wǎng)采集任務(wù)結(jié)合給出從仿真環(huán)境到訓(xùn)練評測的完整代碼路徑模塊劃分清晰適合作為深度學(xué)習(xí)落地的實戰(zhàn)案例。當(dāng)前已有276人學(xué)習(xí)瀏覽對理解DDQN算法原理、多智能體協(xié)作及無人機仿真設(shè)計具有直接參考價值。1. 用 DDQN 做多無人機物聯(lián)網(wǎng)數(shù)據(jù)采集為什么固定航線必輸一片區(qū)域里散落著幾十個低功耗傳感器節(jié)點數(shù)據(jù)先在本地緩存等著無人機飛過去采集。這類物聯(lián)網(wǎng)數(shù)據(jù)采集場景對應(yīng)到三層架構(gòu)里傳輸層與感知層之間的銜接段瓶頸往往不在設(shè)備端而在調(diào)度無人機數(shù)量有限、電量有限、節(jié)點數(shù)據(jù)持續(xù)增長固定航線總會顧此失彼要么漏掉高負載節(jié)點要么飛到地方發(fā)現(xiàn)數(shù)據(jù)沒滿白耗一輪電。把“下一架無人機飛往哪個節(jié)點、懸停多久、采多少”建模成強化學(xué)習(xí)問題用 DDQN 訓(xùn)練多無人機協(xié)同決策是目前這類場景里可復(fù)現(xiàn)、也容易改造成真實鏈路調(diào)度策略的落地路徑。這個方向適合兩種人一是正在做物聯(lián)網(wǎng)或無人機方向畢業(yè)設(shè)計、需要一套能復(fù)現(xiàn)的源碼作為起點的學(xué)生二是做數(shù)據(jù)采集調(diào)度、想用強化學(xué)習(xí)替換靜態(tài)航線的工程師。讀完你手里會有一套從環(huán)境建模到智能體訓(xùn)練、從參數(shù)調(diào)整到結(jié)果驗證的東西而不是停留在概念上。下面按“建模 → 環(huán)境 → 算法 → 調(diào)試 → 進階”的順序把整條鏈路講透。2. 把采集任務(wù)寫成 MDP狀態(tài)、動作與獎勵的三處關(guān)鍵取舍強化學(xué)習(xí)落地第一步不是寫網(wǎng)絡(luò)而是把業(yè)務(wù)寫成一個可迭代的馬爾可夫決策過程。多無人機數(shù)據(jù)采集比單機麻煩在于每個無人機是獨立決策個體但它們共享同一個環(huán)境和同一個數(shù)據(jù)采集目標(biāo)狀態(tài)、動作、獎勵任何一處設(shè)計不合理后面所有訓(xùn)練都白做。2.1 狀態(tài)向量怎么拼位置、電量與節(jié)點緩沖區(qū)一個都不能少狀態(tài)向量決定了模型“看得見什么”。以 3 架無人機、20 個節(jié)點為例我一般讓每架無人機各自構(gòu)造自己的觀測而不是把全局狀態(tài)一次性塞給所有智能體。單個智能體的觀測包含四塊自身位置、剩余電量比例、當(dāng)前已緩存數(shù)據(jù)量、是否處于采集狀態(tài)再加上每個節(jié)點的位置、緩沖區(qū)占用率、數(shù)據(jù)產(chǎn)生速率、相對距離。import numpy as np def build_observation(agent, nodes, env): 構(gòu)造單個無人機的觀測向量。 agent: 包含 pos(2,), battery_ratio(標(biāo)量), carried_data(標(biāo)量), is_collecting(0/1) nodes: 每個節(jié)點含 pos(2,), buffer, rate, buffer_max, rate_max 返回形狀為 (6 * n_nodes 5,) 的 float32 數(shù)組 obs_parts [ agent.pos, # 自身坐標(biāo) [agent.battery_ratio], # 電量歸一化范圍 0~1 [agent.carried_data], # 當(dāng)前機載數(shù)據(jù)量 [1.0 if agent.is_collecting else 0.0], ] for node in nodes: dist np.linalg.norm(agent.pos - node.pos) # 相對坐標(biāo)比絕對坐標(biāo)更容易泛化換地圖時不用重新訓(xùn)練 obs_parts.append([ node.pos[0] - agent.pos[0], node.pos[1] - agent.pos[1], node.buffer / node.buffer_max, # 緩沖占用率越高越該去采 node.rate / node.rate_max, # 數(shù)據(jù)增速也歸一化 dist / env.model_range, # 距離歸一到 0~1 ]) return np.concatenate(obs_parts).astype(np.float32)這里有兩個容易被忽略的細節(jié)。第一所有量都必須歸一化。節(jié)點絕對位置動輒是幾百米量級而電量是 0~1直接拼接會讓網(wǎng)絡(luò)認為坐標(biāo)的數(shù)值更重要訓(xùn)練極慢。第二我把節(jié)點坐標(biāo)改成相對于無人機的坐標(biāo)這樣模型學(xué)的是“距離感”而不是“死記坐標(biāo)”。否則訓(xùn)練時節(jié)點位置一旦變化策略立刻崩掉這一點在后面的泛化問題上還會再踩一次。2.2 動作只有三類飛往節(jié)點、懸停采集、返航動作空間設(shè)計我推薦離散動作而不是連續(xù)控制。常見做法是動作 0 到 n_nodes-1 對應(yīng)“飛往某個節(jié)點”動作 n_nodes 對應(yīng)“在當(dāng)前節(jié)點懸停采集”動作 n_nodes1 對應(yīng)“返回起點/充電樁”。多無人機場景里連續(xù)動作會讓每個智能體的探索空間爆炸訓(xùn)練周期長到?jīng)]法迭代離散動作雖然粗粒度但對數(shù)據(jù)采集這種任務(wù)足夠用也容易觀察策略是否合理。獎勵函數(shù)是這門手藝里最像“玄學(xué)”的部分但核心原則只有一條讓無人機為一個明確目標(biāo)做權(quán)衡。我常用的構(gòu)成分四段def compute_reward(before_buffer, after_buffer, action, agent, env): # 采集到數(shù)據(jù)是正收益數(shù)據(jù)量單位是 KB collected after_buffer - before_buffer reward collected * env.alpha_collect # 飛行和懸停都有能耗成本用系數(shù)壓住“亂飛” reward - agent.energy_cost * env.alpha_energy # 懸停采集若沒采到東西給一個小懲罰防止原地摸魚 if action env.action_hover and collected 1e-6: reward - env.alpha_penalty # 出界或撞到其他無人機重罰 if agent.out_of_bounds or agent.collision: reward - env.collision_penalty return reward我一般在項目里把 alpha_collect 設(shè)為 1.0alpha_energy 設(shè)為 0.05alpha_penalty 設(shè)為 1.0collision_penalty 設(shè)為 10.0。注意采集獎勵是正的、能耗懲罰是持續(xù)的兩者之間的相對大小決定策略風(fēng)格能耗懲罰太大無人機會趨向于不動loss 降得漂亮但累計獎勵一直是負的太小則會滿圖亂飛。怎么找平衡沒有公式只能跑一輪短訓(xùn)練看飛行軌跡再調(diào)系數(shù)這也是每個強化學(xué)習(xí)項目都要經(jīng)歷的“獎勵調(diào)參循環(huán)”。2.3 從 DQN 到 DDQN多智能體環(huán)境下的過估計問題單機 DQN 在大部分靜態(tài)環(huán)境里夠用但多無人機組隊時有個繞不開的問題環(huán)境是動態(tài)的其他無人機的策略也在變導(dǎo)致 Q 值的估計噪聲很大。原始 DQN 在計算目標(biāo)值時直接用max_a Q(s, a)取最大值這個操作在高噪聲環(huán)境下會系統(tǒng)性地高估動作價值高估一旦累積訓(xùn)練就會發(fā)散。DDQN 的改動很小但非常關(guān)鍵選擇動作用在線網(wǎng)絡(luò)評估該動作的價值用目標(biāo)網(wǎng)絡(luò)。也就是拆掉了“選擇”和“評估”的耦合把max的高估源頭去掉。# DDQN 的 TD target 核心三行 online_next online_net(next_states) # (batch_size, n_actions) best_actions online_next.argmax(dim1, keepdimTrue) # 選擇交給 online target_next target_net(next_states).gather(1, best_actions).squeeze(1) td_target rewards gamma * target_next * (1 - dones)注意第三行的target_net參數(shù)是滯后更新的它拿到的動作編號來自online_net的 argmax但價值數(shù)值用的是目標(biāo)網(wǎng)絡(luò)的輸出。這相當(dāng)于說“在線網(wǎng)絡(luò)負責(zé)判斷哪個動作最好目標(biāo)網(wǎng)絡(luò)負責(zé)打分”兩套網(wǎng)絡(luò)互相制約。多無人機場景里我強烈建議直接用 DDQN 而不是 DQN因為非平穩(wěn)環(huán)境下高估問題會比單機嚴重得多這算是一份低成本后悔藥。3. 用 Python 搭一個最小可跑的多無人機采集仿真環(huán)境算法要落地得先有一個能反復(fù)重置、能返回觀測和獎勵的仿真環(huán)境。不需要物理引擎也不要求空氣動力學(xué)仿真核心是把“節(jié)點數(shù)據(jù)增長、無人機移動、采集動作、電量消耗”這四個邏輯寫清楚。下面這套環(huán)境是我常用的最小實現(xiàn)擴展性足夠。3.1 環(huán)境類的最小骨架reset 與 step 怎么實現(xiàn)多機邏輯多無人機環(huán)境與單機最大的區(qū)別在 step環(huán)境接收的是一個動作列表長度等于無人機數(shù)量返回的也是一個觀測列表。共享同一張地圖和同一組節(jié)點所以節(jié)點數(shù)據(jù)是全局狀態(tài)但每個無人機的觀測是獨立構(gòu)造的。class MultiUAVDataCollectionEnv: def __init__(self, n_uavs3, n_nodes20, area_size1000.0, seed42): self.n_uavs n_uavs self.n_nodes n_nodes self.area_size area_size self.rng np.random.default_rng(seed) self.model_range area_size self.max_steps 300 self.dt 1.0 # 每個決策步對應(yīng)仿真 1 秒 self.collect_range 50.0 # 無人機與節(jié)點距離小于該值才能采集 self.collect_rate 20.0 # 每秒可采集的數(shù)據(jù)量單位 KB/s self.uav_speed 20.0 # 飛行速度 m/s self.nodes [] self.uavs [] self.reset() def reset(self): # 每回合重新隨機生成節(jié)點位置強制模型學(xué)相對關(guān)系而非死記坐標(biāo) self.nodes [self._random_node() for _ in range(self.n_nodes)] self.uavs [self._random_uav() for _ in range(self.n_uavs)] self.step_count 0 obs [build_observation(uav, self.nodes, self) for uav in self.uavs] return obs3.2 模擬節(jié)點數(shù)據(jù)累積泊松過程與采集速率的權(quán)衡節(jié)點數(shù)據(jù)的產(chǎn)生方式我見過兩種模擬手段固定速率線性累積或者泊松過程隨機到達。線性累積穩(wěn)定、容易 debug但策略容易鉆空子——模型只要記住哪個節(jié)點固定漲得快就行。泊松過程更接近真實傳感器上報節(jié)奏而且每回合隨機性會迫使模型盯住緩沖區(qū)占用率而不是背板。def step(self, actions): self.step_count 1 # 第一步節(jié)點數(shù)據(jù)按泊松過程累積 for node in self.nodes: node.buffer self.rng.poisson(node.rate * self.dt) node.buffer min(node.buffer, node.buffer_max) # 第二步無人機執(zhí)行動作 rewards [] for i, uav in enumerate(self.uavs): action actions[i] before_buffer self._buffer_under_uav(uav) if action self.n_nodes: # 飛往目標(biāo)節(jié)點 target self.nodes[action].pos move_vec target - uav.pos dist np.linalg.norm(move_vec) step_dist min(dist, self.uav_speed * self.dt) uav.pos uav.pos move_vec / (dist 1e-6) * step_dist uav.energy_cost step_dist * 0.02 elif action self.n_nodes: # 懸停采集 after_buffer self._collect(uav) uav.energy_cost 1.5 else: # 返航 home np.array([self.area_size / 2, self.area_size / 2]) move_vec home - uav.pos dist np.linalg.norm(move_vec) step_dist min(dist, self.uav_speed * self.dt) uav.pos uav.pos move_vec / (dist 1e-6) * step_dist uav.energy_cost step_dist * 0.02 reward compute_reward(before_buffer, self._buffer_under_uav(uav), action, uav, self) rewards.append(reward) obs_next [build_observation(uav, self.nodes, self) for uav in self.uavs] done self._check_done() return obs_next, rewards, done這里有幾個關(guān)鍵參數(shù)。dt1.0意味著每個決策步模擬 1 秒300 步就是 5 分鐘飛行任務(wù)節(jié)奏剛好collect_rate20.0表示每秒采集 20KB如果節(jié)點 buffer_max 設(shè)成 100KB懸停 5 秒才能清空一個節(jié)點這給了策略“要不要采完”的權(quán)衡空間。采集速率的取值要和節(jié)點增長率匹配如果節(jié)點每秒漲 30KB、采集只有 20KB那無論如何都采不完訓(xùn)練必然失敗。3.3 回合終止條件電量耗盡、任務(wù)完成還是時間超限回合終止條件直接影響訓(xùn)練效率。我只用三個條件所有無人機電量低于某個閾值、達到最大步數(shù)、節(jié)點總待采集數(shù)據(jù)量低于某個比例。注意不建議在單個無人機電量耗盡時立即終止整回合因為多智能體任務(wù)里其他無人機還能繼續(xù)工作強行終止會引入不真實的截斷。def _check_done(self): # 條件 1所有無人機電量都低于 20% all_low all(uav.battery_ratio 0.2 for uav in self.uavs) # 條件 2達到最大步數(shù) time_up self.step_count self.max_steps # 條件 3總待采集數(shù)據(jù)量低于總量的 5%視為任務(wù)完成 total_buffer sum(n.buffer for n in self.nodes) total_cap sum(n.buffer_max for n in self.nodes) completed total_buffer total_cap * 0.05 return all_low or time_up or completed任務(wù)完成條件建議保留否則模型沒有“盡快收工”的壓力。把完成線設(shè)成 5% 而不是 0%是為了避免最后一點數(shù)據(jù)讓無人機繞一大圈反而拖慢訓(xùn)練。真實系統(tǒng)里那 5% 通?？康孛嫒藛T補采不值得消耗無人機電量。4. 寫好 DDQN 智能體網(wǎng)絡(luò)結(jié)構(gòu)、回放緩沖區(qū)與訓(xùn)練循環(huán)環(huán)境只是棋盤智能體才是下棋的人。DDQN 的實現(xiàn)分三塊雙 Q 網(wǎng)絡(luò)、經(jīng)驗回放、訓(xùn)練循環(huán)。每一塊的參數(shù)都直接影響收斂速度下面給出我調(diào)得比較順的一套配置。4.1 雙 Q 網(wǎng)絡(luò)與目標(biāo)網(wǎng)絡(luò)軟更新代碼里怎么實現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)不需要深兩到三層全連接足夠處理這個規(guī)模的狀態(tài)空間。輸入維度是6 * n_nodes 520 個節(jié)點就是 125 維輸出維度是n_nodes 2。隱藏層 256 足夠再多只會增加過擬合風(fēng)險。import torch import torch.nn as nn import torch.optim as optim class MLP(nn.Module): def __init__(self, state_dim, action_dim, hidden256): super().__init__() self.net nn.Sequential( nn.Linear(state_dim, hidden), nn.ReLU(), nn.Linear(hidden, hidden), nn.ReLU(), nn.Linear(hidden, action_dim) ) def forward(self, x): return self.net(x) class DDQNAgent: def __init__(self, state_dim, action_dim, lr1e-4, gamma0.99, tau0.005, devicecpu): self.online_net MLP(state_dim, action_dim).to(device) self.target_net MLP(state_dim, action_dim).to(device) self.target_net.load_state_dict(self.online_net.state_dict()) self.optimizer optim.Adam(self.online_net.parameters(), lrlr) self.gamma gamma self.tau tau self.device device self.action_dim action_dim def soft_update_target(self): # 目標(biāo)網(wǎng)絡(luò)參數(shù) tau * 在線網(wǎng)絡(luò)參數(shù) (1 - tau) * 目標(biāo)網(wǎng)絡(luò)參數(shù) for tp, op in zip(self.target_net.parameters(), self.online_net.parameters()): tp.data.copy_(self.tau * op.data (1.0 - self.tau) * tp.data)soft_update_target是 DDQN 的“慢跟上”機制。tau 設(shè) 0.005 意味著每次更新目標(biāo)網(wǎng)絡(luò)只向在線網(wǎng)絡(luò)靠近 0.5%這樣目標(biāo)網(wǎng)絡(luò)的變化足夠平緩TD target 不會劇烈跳動。有的實現(xiàn)會用硬拷貝每 N 步直接復(fù)制一次那也行但軟更新在非平穩(wěn)環(huán)境下更穩(wěn)。4.2 經(jīng)驗回放緩沖區(qū)容量、采樣方式與預(yù)熱步數(shù)經(jīng)驗回放的作用是打掉樣本之間的時間相關(guān)性。多無人機環(huán)境里同一時刻采集到的 3 條 transition 其實來自同一個環(huán)境狀態(tài)如果直接連續(xù)喂給網(wǎng)絡(luò)梯度方向會高度相關(guān)訓(xùn)練震蕩。緩沖區(qū)隨機采樣就是要把這些相關(guān)性打散。from collections import deque import random class ReplayBuffer: def __init__(self, capacity50000): self.buffer deque(maxlencapacity) def push(self, state, action, reward, next_state, done): self.buffer.append((state, action, reward, next_state, done)) def sample(self, batch_size): batch random.sample(self.buffer, batch_size) states, actions, rewards, next_states, dones zip(*batch) return (np.array(states), np.array(actions, dtypenp.int64), np.array(rewards, dtypenp.float32), np.array(next_states), np.array(dones, dtypenp.float32)) def __len__(self): return len(self.buffer)容量 50000 對我來說是經(jīng)驗值太小則回放樣本單一訓(xùn)練不穩(wěn)太大則老樣本占多數(shù)在多智能體環(huán)境里這些老樣本對應(yīng)的“其他智能體策略”早已過時反而干擾更新。如果你發(fā)現(xiàn)訓(xùn)練后期獎勵曲線反復(fù)震蕩優(yōu)先把容量從 50000 降到 20000 試試這個反直覺的操作經(jīng)常有效。4.3 訓(xùn)練循環(huán)與超參數(shù)從 epsilon 衰減到學(xué)習(xí)率配比訓(xùn)練主循環(huán)的邏輯是每個決策步每架無人機各自用當(dāng)前網(wǎng)絡(luò)選動作環(huán)境推進一步把每條 transition 推進共享回放緩沖區(qū)攢夠預(yù)熱樣本后開始更新。def train_one_episode(env, agent, replay_buffer, epsilon, batch_size128, warmup2000): obs env.reset() done False episode_loss 0.0 update_count 0 while not done: # 每架無人機獨立決策epsilon-greedy 探索 actions [] for o in obs: if random.random() epsilon: actions.append(random.randrange(env.n_nodes 2)) else: o_t torch.FloatTensor(o).unsqueeze(0) with torch.no_grad(): q agent.online_net(o_t) actions.append(q.argmax(dim1).item()) next_obs, rewards, done env.step(actions) # 共享回放緩沖區(qū)存所有無人機的經(jīng)驗 for i in range(env.n_uavs): replay_buffer.push(obs[i], actions[i], rewards[i], next_obs[i], done) obs next_obs # 足夠樣本后開始更新網(wǎng)絡(luò) if len(replay_buffer) warmup: states, actions, rewards_, next_states, dones \ replay_buffer.sample(batch_size) loss agent.update(states, actions, rewards_, next_states, dones) episode_loss loss update_count 1 agent.soft_update_target() avg_loss episode_loss / max(update_count, 1) return avg_lossupdate方法里用的就是前面 DDQN 核心公式損失函數(shù)我推薦 smooth L1 而不是 MSE它對離群 TD error 的梯度更溫和前期不容易被個別極端樣本帶崩。完整的update實現(xiàn)def update(self, states, actions, rewards, next_states, dones): states torch.FloatTensor(states) actions torch.LongTensor(actions).unsqueeze(1) rewards torch.FloatTensor(rewards) next_states torch.FloatTensor(next_states) dones torch.FloatTensor(dones) # 在線網(wǎng)絡(luò)計算當(dāng)前 Q 值 q_values self.online_net(states).gather(1, actions).squeeze(1) # DDQN: 在線網(wǎng)絡(luò)選動作目標(biāo)網(wǎng)絡(luò)估值 with torch.no_grad(): next_actions self.online_net(next_states).argmax(dim1, keepdimTrue) next_q self.target_net(next_states).gather(1, next_actions).squeeze(1) td_target rewards self.gamma * next_q * (1 - dones) loss nn.functional.smooth_l1_loss(q_values, td_target) self.optimizer.zero_grad() loss.backward() # 梯度裁剪防止 TD error 爆炸導(dǎo)致網(wǎng)絡(luò)權(quán)重一步崩壞 nn.utils.clip_grad_norm_(self.online_net.parameters(), 10.0) self.optimizer.step() return loss.item()這套超參數(shù)是我在多無人機采集任務(wù)上反復(fù)調(diào)整后的起點學(xué)習(xí)率 1e-4 不貪快gamma 0.99 看重長期收益batch_size 128 在穩(wěn)定性和速度之間平衡epsilon 從 1.0 開始每個 episode 乘 0.995 衰減到 0.05 為止warmup 2000 步保證緩沖區(qū)里不是一鍋亂燉。不要直接照抄拿這個配置跑 200 個 episode 看曲線形態(tài)再動。5. 訓(xùn)練避坑與排查DDQN 收斂慢、震蕩、不收斂的 5 類問題訓(xùn)練強化學(xué)習(xí)最大的成本是時間前面所有設(shè)計都要服務(wù)于“一次能跑出有效信號”。這一章把我見過的高頻問題列成排查清單每個都按“現(xiàn)象 → 原因 → 解決”拆開。5.1 loss 在降但累計獎勵不動稀疏獎勵讓梯度失去方向現(xiàn)象是 TD loss 從 0.4 一路降到 0.05曲線看著很健康但累計獎勵紋絲不動始終在負值附近徘徊。這類問題最迷惑人因為“網(wǎng)絡(luò)在學(xué)”和“策略在變好”是兩回事。原因通常是獎勵太稀疏或負獎勵占比過高。無人機大部分時間在飛行持續(xù)承受能耗懲罰真正的采集正獎勵只在懸停采集成功那一兩步出現(xiàn)。模型最省事的做法就是“少動少虧”學(xué)成一個原地待機的策略。解決思路是拆解獎勵日志。我在訓(xùn)練時會把collected_reward和energy_penalty分開記錄到兩個列表先看哪個在主導(dǎo)。如果是負獎勵主導(dǎo)把 alpha_energy 從 0.05 降到 0.01同時給“飛向高緩沖節(jié)點”的過程加一個中間獎勵比如每步如果與最近高緩沖節(jié)點的距離縮短就給 0.1 的小獎勵。這是典型的獎勵塑形能讓梯度在每個步都“有話可說”。5.2 前期 Q 值快速發(fā)散雙重網(wǎng)絡(luò)也沒完全解決高估現(xiàn)象是前 300 個 episode 里 Q 值預(yù)測沖到數(shù)千然后又崩到負數(shù)訓(xùn)練曲線像過山車。很多人在這一步開始懷疑 DDQN 是不是寫錯了但代碼通常沒錯。原因在于經(jīng)驗回放初期緩沖區(qū)里全是隨機策略的數(shù)據(jù)噪聲大TD target 本身就被高估加上自舉用估值更新估值高估會逐級放大。DDQN 緩解了 max 操作的系統(tǒng)性高估但擋不住噪聲驅(qū)動的隨機高估。解決手段按順序排查。第一確認 online 網(wǎng)絡(luò)的最后一個線性層沒有大的初始化——就用 PyTorch 默認初始化不要手工放大。第二梯度裁剪從 10.0 改成 5.0讓單步更新權(quán)重變化更小。第三把學(xué)習(xí)率降到 5e-5 跑 100 個 episode 試試穩(wěn)定后再加回去。最后如果還在發(fā)散把 gamma 從 0.99 降到 0.95縮短價值傳播鏈。5.3 多無人機互相干擾非平穩(wěn)性讓經(jīng)驗回放失真現(xiàn)象是單無人機訓(xùn)練時曲線平穩(wěn)加到 3 架無人機后同一套代碼 reward 波動明顯放大甚至完全學(xué)不出來。原因要從多智能體強化學(xué)習(xí)的底層邏輯看經(jīng)驗回放假設(shè)環(huán)境轉(zhuǎn)移是固定的但多無人機環(huán)境下每個智能體的策略都在變其他無人機的行為對某個智能體來說就是環(huán)境的一部分這個“環(huán)境”是動態(tài)的。緩沖區(qū)里的老樣本可能對應(yīng)其他無人機完全不同的行為模式把它們當(dāng)作當(dāng)前環(huán)境的真實經(jīng)驗去更新梯度方向自然會互相打架。解決手段有三個按成本從低到高排列。最省事的是把回放緩沖區(qū)容量從 50000 砍到 15000讓樣本“保鮮期”變短模型學(xué)到的是最近期的行為模式。第二種做法是共享網(wǎng)絡(luò)參數(shù)所有無人機用同一個 online 網(wǎng)絡(luò)做前向和反向本質(zhì)是減小訓(xùn)練方差。第三種是放緩更新頻率從每個決策步更新一次改成每 4 個決策步更新一次給環(huán)境一段穩(wěn)定時間。5.4 換一張地圖就失效節(jié)點分布過擬合與泛化訓(xùn)練現(xiàn)象是節(jié)點位置固定時訓(xùn)練結(jié)果很好累計獎勵曲線漂亮但把節(jié)點位置換一批重新隨機后獎勵斷崖式下跌策略幾乎癱瘓。原因在于狀態(tài)里如果用了絕對坐標(biāo)網(wǎng)絡(luò)會退化成查表——記住“坐標(biāo) x 有高數(shù)據(jù)去那”。這不是策略是背誦。換個坐標(biāo)系網(wǎng)絡(luò)就懵了。解決方法是雙管齊下。狀態(tài)里已經(jīng)改成相對坐標(biāo)的檢查是否真的把所有絕對量都去掉了包括獎勵計算里不要用絕對位置做判斷。另一個手段是 domain randomization也就是環(huán)境 reset 時每個 episode 的節(jié)點位置、節(jié)點速率、無人機起始位置都重新隨機強迫模型學(xué)“距離近、緩沖高就先去”的規(guī)律。我還會把面積大小也 800 到 1200 米之間隨機防止模型把尺度作為特征。5.5 訓(xùn)練慢到?jīng)]法迭代步長、更新頻率與仿真加速現(xiàn)象是 500 個 episode 要跑一晚上還沒看到有效信號整個調(diào)參循環(huán)卡死在時間上。原因通常是三個疊加環(huán)境步長太細dt 設(shè) 0.1 秒導(dǎo)致每個 episode 幾千步、網(wǎng)絡(luò)每步都更新、節(jié)點對象用純 Python 類和 list 做大量距離重復(fù)計算。解決順序很明確。第一步把決策步長 dt 設(shè)成 1 秒限制每個 episode 最長 300 步犧牲時間精度換迭代速度策略驗證階段完全夠用。第二步把更新頻率改成每 4 步更新一次batch_size 從 128 提到 256吞吐量明顯上升。第三步如果環(huán)境還是慢把節(jié)點表示從類對象改成 numpy 結(jié)構(gòu)化數(shù)組所有距離計算向量化經(jīng)驗上能再快 3 到 5 倍。訓(xùn)練不慢調(diào)試才有意義。6. 進階技巧讓 DDQN 更快收斂的 3 個實用做法當(dāng)訓(xùn)練曲線開始正常下降先別急著慶祝把下面三件事做了策略質(zhì)量還能再上一個臺階。優(yōu)先經(jīng)驗回放是收益最明顯的改進。均勻采樣把每條經(jīng)驗一視同仁但實際里 TD error 大的樣本恰恰是最需要學(xué)習(xí)的。做法是給每條經(jīng)驗記一個優(yōu)先級采樣概率按 TD error 加權(quán)alpha 0.6 # 優(yōu)先級強度0 表示均勻采樣1 表示完全按優(yōu)先級 prob td_error ** alpha / sum(td_errors ** alpha)注意用了加權(quán)采樣原本均勻采樣的期望就會有偏差所以要在更新時用重要性權(quán)重修正beta 從 0.4 線性升到 1.0。這個技巧在稀疏獎勵場景下收益極大但代碼量會多一些適合基礎(chǔ)版本已經(jīng)跑通的階段。獎勵移動平均歸一化是第二件該做的事。強化學(xué)習(xí)的獎勵尺度一旦變化學(xué)習(xí)率就要跟著重新調(diào)這是最磨人的黑匣子問題。一個簡單辦法是記錄最近 1000 步獎勵的均值和標(biāo)準(zhǔn)差然后讓輸出獎勵除以標(biāo)準(zhǔn)差reward_norm rewards / (running_std 1e-6)這不會改變策略最優(yōu)解只是讓 TD error 保持在一個穩(wěn)定尺度內(nèi)學(xué)習(xí)率不用頻繁調(diào)整。注意要在訓(xùn)練中動態(tài)更新這個均值和方差別用全量統(tǒng)計。最后是可視化驗證。訓(xùn)練結(jié)束時別只看 loss 曲線用 matplotlib 畫一局軌跡圖把無人機路徑、節(jié)點位置、采集完成的節(jié)點標(biāo)出來就能一眼看出策略是不是在“繞圈白飛”。配合 python 數(shù)據(jù)分析與可視化里常用的熱力圖把節(jié)點緩沖區(qū)隨時間的變化鋪成一整張圖縱向是節(jié)點編號橫向是時間步顏色越亮表示緩沖區(qū)越高能直接確認重點節(jié)點是否被及時采集。我自己的習(xí)慣是每改一次參數(shù)就跑一個 200 episode 的快速實驗然后截一局軌跡熱力圖存檔。訓(xùn)練狀態(tài)好不好看圖比看數(shù)據(jù)方便得多這個習(xí)慣幫我避開了至少三次“看起來收斂實際在鉆空子”的陷阱。多無人機強化學(xué)習(xí)項目調(diào)試本身就像一個旋鈕很多的儀器每動一個參數(shù)都值得記錄別憑感覺調(diào)否則下次翻車時連后悔藥都沒得找。希望這篇整理能幫你在數(shù)據(jù)采集調(diào)度這條路上少走幾個來回。本文還有配套的精品資源點擊獲取