章节总览
世界模型与空间生成 / 01 · 正文
原目录

DreamerV3 的世界模型、行为学习与尺度适应设计,以及它如何用同一组超参数应对不同任务。

Mastering Diverse Domains through World Models(DreamerV3)解读

元信息

  • 论文标题:Mastering Diverse Domains through World Models
  • 作者:Danijar Hafner、Jurgis Pasukonis、Jimmy Ba、Timothy Lillicrap
  • 机构:Google DeepMind(Jimmy Ba 同时隶属多伦多大学)
  • 一手来源:arXiv:2301.04104
  • 版本信息:v1 提交于 2023-01-10;最新版 v2 修订于 2024-04-17
  • 本地 PDF:references/2301.04104.pdf
  • 归档日期:2026-09-11
  • 文档性质:二次解读,编者观点与推断均单独标注,与原文主张分开

符号速查表

符号 读法 含义
xtx_t x 下标 t 时刻 t 的感官输入(图像或向量观测)
ztz_t z 下标 t 时刻 t 的随机离散潜表示(后验,由编码器给出)
z^t\hat{z}_t z-hat 下标 t 不看 xtx_t、仅由历史预测的潜表示(先验)
hth_t h 下标 t 循环状态(sequence model 的确定性记忆)
ata_t a 下标 t 时刻 t 的动作
rtr_t / r^t\hat{r}_t r / r-hat 下标 t 真实奖励 / 世界模型预测的奖励
ctc_t / c^t\hat{c}_t c / c-hat 下标 t 回合继续标志(0/1)/ 其预测值
sts_t s 下标 t 模型状态,st≐{ht,zt}s_t \doteq \{h_t, z_t\}
ϕ,θ,ψ\phi, \theta, \psi phi、theta、psi 世界模型、actor、critic 的网络参数
qϕq_\phi q 下标 phi 编码器给出的后验分布 qϕ(zt∣ht,xt)q_\phi(z_t \mid h_t, x_t)
pϕp_\phi p 下标 phi 世界模型内部各预测头的分布
πθ\pi_\theta pi 下标 theta actor 的策略分布 πθ(at∣st)\pi_\theta(a_t \mid s_t)
vψv_\psi v 下标 psi critic 预测的回报分布 vψ(Rt∣st)v_\psi(R_t \mid s_t)
RtR_t R 下标 t 折扣回报 Rt≐∑τ=0∞γτrt+τR_t \doteq \sum_{\tau=0}^{\infty}\gamma^\tau r_{t+\tau}
RtλR^\lambda_t R lambda 下标 t λ-回报,融合多步真实预测奖励与 critic 估值
γ\gamma gamma 折扣因子,本文固定 0.997
λ\lambda lambda λ-回报中偏差-方差权衡系数
η\eta eta actor 熵正则系数,固定 3×10−43\times10^{-4}
βpred,βdyn,βrep\beta_{\mathrm{pred}},\beta_{\mathrm{dyn}},\beta_{\mathrm{rep}} beta 下标 pred/dyn/rep 世界模型三项损失的权重(1, 1, 0.1)
βval,βrepval\beta_{\mathrm{val}},\beta_{\mathrm{repval}} beta 下标 val/repval critic 想象损失与回放损失的权重(1, 0.3)
KL[⋅∥⋅]\mathrm{KL}[\cdot\Vert\cdot] KL 散度 两个分布间的相对熵
sg⁡(⋅)\operatorname{sg}(\cdot) stop-gradient 阻断梯度回传的算子
H⁡[⋅]\operatorname{H}[\cdot] H 策略分布的熵
SS 大写 S 回报归一化尺度(95 与 5 分位数之差的滑动平均)
Per⁡(⋅,p)\operatorname{Per}(\cdot, p) Per 第 p 百分位数
EMA⁡(⋅)\operatorname{EMA}(\cdot) EMA 指数滑动平均
TT 大写 T 想象轨迹长度,本文取 16
LL 大写 L 回报缩放下限阈值,取 1
symlog⁡,symexp⁡\operatorname{symlog},\operatorname{symexp} symlog / symexp 对称对数压缩变换及其逆变换
BB, bib_i 大写 B、b 下标 i twohot 回归的桶集合与第 i 个桶位置

一、研究问题与路线定位

强化学习(Reinforcement Learning, RL,通过与环境交互、最大化累计奖励来学习行为的范式)长期存在一个工程瓶颈:算法换个领域就要重新调参。PPO(Proximal Policy Optimization,近端策略优化)等通用算法稳健但性能平庸,而在特定领域刷出高分的算法(如 Atari 上的 Rainbow、连续控制上的 SAC)依赖大量领域知识和超参搜索。

DreamerV3 要解决的问题是:能否用一套固定超参数在差异极大的任务集合上达到或超过各领域的专用算法?论文的回答是肯定的——在 8 个领域、150 多个任务上不做任何逐任务调整即超越专用方法,并首次在没有任何人类数据的情况下让智能体在 Minecraft 中从零挖到钻石。

路线定位上,DreamerV3 属于潜空间强化学习世界模型,即"想象力"(imagination)范式:

  1. 智能体先从交互数据中学习一个世界模型(world model),它把高维观测压缩进潜状态,并能预测"执行某动作后潜状态与奖励会如何演化";
  2. 策略(actor)与价值评估(critic)不在真实环境中训练,而在世界模型生成的想象轨迹(imagined trajectories)上训练;
  3. 真实环境只用于采集数据和执行学好的策略,想象 rollout 不需要真实交互,因此样本效率高。

这条谱系的直接前身是 PlaNet(2019,首次用 RSSM 做像素级规划)与 DreamerV1(2019,提出在潜空间想象中训练 actor-critic)、DreamerV2(2021,引入离散潜变量打通 Atari)。V3 的核心贡献不在结构创新,而在一组使训练对任务量级、奖励尺度、视觉复杂度不敏感的稳定化技巧——这是"固定超参"得以成立的原因(编者概括)。

二、方法

2.1 世界模型:RSSM

世界模型实现为 RSSM(Recurrent State-Space Model,循环状态空间模型:一个带确定性循环记忆与随机潜变量的时序模型)。在每个时刻 t,涉及的对象有:观测 xtx_t(图像或向量)、循环状态 hth_t、随机表示 ztz_t、动作 at−1a_{t-1}。各组件如下(编者重构,非论文原式排版):

循环模型(sequence model):  h_t = f_φ(h_{t-1}, z_{t-1}, a_{t-1})
编码器(encoder):           z_t ~ q_φ(z_t | h_t, x_t)          # 后验,看到了真实观测
动力学预测(dynamics):       ẑ_t ~ p_φ(ẑ_t | h_t)             # 先验,不看 x_t 预测 z_t
奖励预测:                    r̂_t ~ p_φ(r̂_t | h_t, z_t)
回合继续预测:                 ĉ_t ~ p_φ(ĉ_t | h_t, z_t)
解码器(decoder):           x̂_t ~ p_φ(x̂_t | h_t, z_t)

设计要点:

  • 确定性 + 随机性的拆分:hth_t 是确定性循环状态(GRU 实现),负责长期记忆;ztz_t 是随机变量,负责建模环境中的不确定性。仅靠确定性状态难以建模部分可观测与随机环境。
  • 离散潜变量:ztz_t 从一组 softmax 分类分布(32 组 × 32 类,见附录配置)中采样,采样步用 straight-through 梯度估计器(前向用离散样本,反向近似为恒等映射)传播梯度。离散表示是 V2 的遗产,论文认为其利于学习稀疏、组合化的状态结构。
  • 图像用 CNN 编码/解码,向量用 MLP;动力学、奖励、继续标志预测器均为 MLP。
  • 混合分布防 KL 尖峰:编码器与动力学预测器输出的分类分布被强制混入 1% 均匀分布 + 99% 网络输出,使分布不可能退化到确定性,避免 KL 损失出现尖峰。

2.2 世界模型的损失:三项 + free bits

给定回放的一段序列,世界模型参数 ϕ\phi 最小化三项加权和(βpred=1\beta_{\mathrm{pred}}=1,βdyn=1\beta_{\mathrm{dyn}}=1,βrep=0.1\beta_{\mathrm{rep}}=0.1):

  • 预测损失 Lpred=−ln⁡pϕ(xt∣zt,ht)−ln⁡pϕ(rt∣zt,ht)−ln⁡pϕ(ct∣zt,ht)\mathcal{L}_{\mathrm{pred}} = -\ln p_\phi(x_t|z_t,h_t) - \ln p_\phi(r_t|z_t,h_t) - \ln p_\phi(c_t|z_t,h_t):重建观测、预测奖励与继续标志,是表示学习的主要信号。
  • 动力学损失 Ldyn≐max⁡(1,KL[sg⁡(qϕ(zt∣ht,xt)) ∥ pϕ(zt∣ht)])\mathcal{L}_{\mathrm{dyn}} \doteq \max(1, \mathrm{KL}[\operatorname{sg}(q_\phi(z_t|h_t,x_t)) \,\|\, p_\phi(z_t|h_t)]):让先验(不看 xtx_t)逼近后验,stop-gradient 施加在后验一侧——这一步训练循环模型"预测未来"。
  • 表示损失 Lrep≐max⁡(1,KL[qϕ(zt∣ht,xt) ∥ sg⁡(pϕ(zt∣ht))])\mathcal{L}_{\mathrm{rep}} \doteq \max(1, \mathrm{KL}[q_\phi(z_t|h_t,x_t) \,\|\, \operatorname{sg}(p_\phi(z_t|h_t))]):stop-gradient 施加在先验一侧——训练后验表示本身变得更可预测,权重仅 0.1。

Free bits(自由比特):对两个 KL 项取 max⁡(1,⋅)\max(1, \cdot),即 KL 低于 1 nat(约 1.44 比特)时该项梯度为零。作用是防止退化解——若不加下限,模型可能把 ztz_t 学成与输入无关的常量使动力学"完美可预测"但丢失了信息。

这一步解决了一个 V1/V2 时代需要逐环境调参的矛盾(编者根据论文表述整理):复杂 3D 环境细节多,需要强正则让表示变简单才好预测;而静态背景的游戏里单个像素可能决定任务成败,又需要弱正则保留细节。Free bits + 较小的 βrep=0.1\beta_{\mathrm{rep}}=0.1 的组合让两者在同一组超参下共存,这是固定超参的关键之一。

2.3 Actor-Critic:在想象轨迹上训练

Actor 与 critic 完全不接触真实环境数据。训练流程:

  1. 从回放缓冲取真实片段,编码出起始模型状态 st={ht,zt}s_t = \{h_t, z_t\};
  2. 用世界模型的先验动力学与 actor 前向 rollout T=16T=16 步想象轨迹,得到想象的 s1:T,a1:T,r1:T,c1:Ts_{1:T}, a_{1:T}, r_{1:T}, c_{1:T};
  3. 在想象轨迹上训练 critic 与 actor。与环境交互时直接从 actor 采样动作,不做树搜索式的前瞻规划。

Critic 不回归单个标量,而是预测回报的分布 vψ(Rt∣st)v_\psi(R_t|s_t),读出值取期望。训练目标是 bootstrap 的 λ-回报:

R^λ_t = r_t + γ·c_t·( (1-λ)·v_t + λ·R^λ_{t+1} ),   R^λ_T = v_T

λ-回报把多步预测的奖励与 critic 自举估值按 λ 混合,控制偏差-方差权衡。额外稳定化设计:

  • critic 用指数间隔分桶的离散分布参数化(见 2.4),而非高斯——回报分布可能多峰且跨环境差几个数量级;
  • critic 损失同时施加在想象轨迹(权重 βval=1\beta_{\mathrm{val}}=1)与回放真实轨迹(权重 βrepval=0.3\beta_{\mathrm{repval}}=0.3)上,后者帮助奖励难预测的环境;
  • 用自身参数的指数滑动平均做正则(类似 target network,但回报计算仍用当前网络);
  • 奖励预测器与 critic 的输出层权重初始化为零,避免训练初期随机大预测值拖慢学习。

Actor 用 Reinforce 估计器(离散与连续动作统一),损失为优势加权对数概率加熵正则:

L(θ) = - Σ_t sg( (R^λ_t - v_ψ(s_t)) / max(1, S) ) · log π_θ(a_t|s_t) + η·H[π_θ(·|s_t)]

其中熵系数 η=3×10−4\eta = 3\times10^{-4} 跨域固定。为了让这个固定值在不同奖励尺度下都合理,回报需要归一化——但要保留"奖励稀疏还是稠密"的信息。做法是回报分位数归一化:

S = EMA( Per(R^λ_t, 95) - Per(R^λ_t, 5), 0.99 )

即取批次内回报的第 95 与第 5 百分位之差,用 0.99 系数的滑动平均平滑,且分母下限为 1(max(1, S)):回报量级大时缩放到约 [0, 1] 区间,量级小(稀疏奖励)时不放大。论文明确对比了三种替代方案的失效模式:优势归一化在稀疏奖励下放大噪声、按标准差归一化在标准差近零时爆炸、固定平均熵的约束优化在稀疏奖励下探索过慢。

2.4 稳定化技巧汇总:symlog 与 twohot

跨域训练的核心困难是回归目标(重建误差、奖励、回报)的量级未知且相差数个数量级。DreamerV3 给出两个配套工具:

Symlog 变换(对称对数):

symlog(x) = sign(x) · ln(|x| + 1)
symexp(x) = sign(x) · (exp(|x|) - 1)     # 逆变换

网络学习预测 symlog⁡(y)\operatorname{symlog}(y),读出时用 symexp 还原。它在原点附近近似恒等、对大值对数压缩,且保持符号(普通对数无法处理负数)。用途:向量观测的编码输入与解码目标都先过 symlog,防止大输入与大重建梯度。

Symexp twohot 损失:对随机性目标(奖励、回报),网络输出对 B=symexp⁡([−20,…,+20])B = \operatorname{symexp}([-20, \dots, +20]) 指数间隔桶的 softmax logits;标签用 twohot 编码——onehot 的连续推广,把标量按线性插值分摊到最近的两个桶上,按分类交叉熵训练。读出值为桶位置按概率的加权平均,因此可表达桶之间的任意连续值。关键在于损失只依赖桶概率而不依赖桶的数值,梯度大小与目标量级解耦。

主要稳定化技巧对照表(编者整理):

技巧 作用对象 解决的问题
symlog 变换 向量观测、重建目标 大输入/大梯度导致的发散
symexp twohot 奖励预测、critic 回报分布 回归目标跨数量级、分布多峰
分位数回报归一化 actor 优势 固定熵系数在不同奖励尺度下失效
free bits (1 nat) KL 两项 表示退化为无信息常量
βrep=0.1\beta_{\mathrm{rep}}=0.1 表示损失 视觉复杂度不同的环境共用超参
1% 均匀混合 编码器/动力学分布 KL 损失尖峰
EMA critic 正则 critic 自举目标不稳定
输出层零初始化 奖励头、critic 初期随机大预测值拖慢学习

三、实验设置与结果

3.1 设置

  • 8 个领域、150+ 任务,全部用同一套超参数;每个智能体仅用 1 张 Nvidia A100 GPU 训练。
  • 领域覆盖:连续/离散动作、图像/低维向量输入、稠密/稀疏奖励、不同奖励量级、2D/3D、程序生成关卡。
  • 基线为各领域文献中最强的专用方法,外加一个固定超参的高质量 PPO 实现作为通用算法参照。

3.2 主要结果(论文报告)

  • Atari(57 游戏,200M 帧):超过 MuZero,且只用其一小部分算力;也超过 Rainbow、IQN。
  • ProcGen(16 游戏,50M 帧):追平专门调参的 PPG,超过 Rainbow。
  • DMLab(30 任务,100M 帧):超过在 10 亿步下训练的 IMPALA 与 R2D2+,数据效率提升超 10 倍(论文称 over 1000%,编者注:按 100M vs 1B 计算约 10 倍,原文表述如此)。
  • Atari100k(26 游戏,仅 400K 帧):超过 IRIS、TWM、SPR、SimPLe;论文指出 EfficientZero 虽分数更高,但使用了在线树搜索、优先回放、超参调度和提前重置关卡等复杂组件,可比性受限。
  • Proprio Control(18 连续控制任务,500K 步)与 Visual Control(20 视觉控制任务,1M 步):均刷新 SOTA,分别超过 D4PG/DMPO/MPO 与 DrQ-v2/CURL。
  • BSuite(23 环境 468 配置):刷新 SOTA,在奖励尺度鲁棒性类目上提升尤其明显。
  • Minecraft:每局为程序生成的无限 3D 世界,限时 36000 步(30 分钟),需按稀疏奖励依次解锁 12 级物品链(木镐→石镐→铁镐→钻石)。DreamerV3 默认超参开箱即用,所有训练的智能体均在 1 亿步内挖到钻石;IMPALA、Rainbow、PPO 最多进展到铁镐。对照:VPT(OpenAI)用 720 张 GPU 训练 9 天并依赖大规模人类录像预训练;DreamerV3 用 1 张 GPU 约 9 天、无人类数据。

3.3 消融与扩展性

  • 14 个任务上消融各稳定化技巧:全部有贡献,按影响排序大致为 KL 目标(free bits + 平衡)> 回报归一化 > symexp twohot;单项技巧通常只在部分任务上关键。
  • 切断世界模型的奖励/价值梯度或重建梯度的实验表明:Dreamer 的表示学习主要依赖无监督重建信号而非任务奖励信号——与多数依赖奖励梯度的算法相反,这为用无标注数据预训练世界模型提供了依据(作者观点)。
  • 扩展性:模型从 12M 到 400M 参数共 6 档,性能随规模单调提升且更大的模型需要的环境交互更少;提高回放比(gradient updates / env steps)也可预测地提升性能。

四、限制

以下内容区分论文明示与编者推断:

  • 论文明示或暗示:Minecraft 上挖到钻石依赖其预设的 12 级物品奖励链(稀疏但有引导的奖励 shaping),并非纯无引导探索;V2 时代遗留的重建损失对高分辨率、细节极多的环境仍可能浪费模型容量。论文未报告在真实机器人硬件上的实验。
  • 编者推断:想象 horizon 固定为 16 步,更长期的信用分配完全依赖 critic 自举,模型误差在长时程任务中会累积进策略训练;λ-回报缓解但不消除该问题。此外"固定超参"的有效性建立在作者的归一化技巧覆盖范围内,对奖励频率极端异常(如全零奖励数百万步)的环境没有验证证据。
  • 证据不支持的说法:论文没有声称 DreamerV3 学到了可迁移的通用世界知识——150+ 任务各自训练独立的世界模型,"跨域单一世界模型"在结论中被列为未来方向。

五、与其他世界模型路线的关系

5.1 谱系内:PlaNet → DreamerV1 → V2 → V3

版本 年份 潜变量 决策方式 代表性结果
PlaNet 2019 连续(高斯) CEM 在线规划(MPC) DeepMind Control Suite 视觉控制
DreamerV1 2019 连续 潜空间想象 + actor-critic 视觉控制,样本效率大幅提升
DreamerV2 2021 离散(分类) 同上 首个纯世界模型在 Atari 达人类水平
DreamerV3 2023 离散 同上 + 全套鲁棒化 固定超参 150+ 任务;Minecraft 挖钻石

演进脉络:PlaNet 用 MPC(Model Predictive Control,模型预测控制——每步都用模型做短时规划再执行)决定动作,慢且受 horizon 限制;V1 改为在想象中直接训策略,推理时零规划开销;V2 引入离散潜表示;V3 不动骨架,专攻跨域稳定性。

5.2 谱系外:潜空间交互模型 vs 显式 3D 生成模型

DreamerV3 代表的世界模型路线与 Atlas(2026 年 World Labs 发布的多模态自回归扩散 Transformer)代表的空间生成路线有明确分野(编者对比,非论文内容):

维度 DreamerV3(潜空间 RL 路线) Atlas(显式 3D 生成路线)
世界的表示 抽象潜状态 (ht,zt)(h_t, z_t),为决策服务 显式 3D 场景表示
目标 学出能最大化奖励的策略 生成几何与视觉一致的空间内容
相机/位姿 不建模,视角混在观测里 相机位姿作为一等输入条件
评估标准 任务回报、样本效率 生成质量、3D 一致性
是否可交互决策 是(策略在模型内训练) 主要面向生成,决策非核心

两者回答的是不同问题:一个关心"在这个世界里怎么行动",另一个关心"这个世界长什么样、如何从任意视角渲染"。后者若要与控制结合,仍需叠加策略学习层。

六、工程启示

  • 量级不可知(scale-agnostic)设计是通用性的前提:symlog 与分位数归一化的共同思想是让损失形状不随目标绝对数值变化。任何要跨数据集复用超参的回归/RL 系统都值得借鉴。
  • 梯度与目标解耦:twohot 分桶把回归问题转成分布匹配,梯度大小与目标量级无关——这是处理重尾目标的通用手段,已被后续工作(如 Stop Regressing 类表征方法之外的诸多 RL 实现)广泛采用(编者注:twohot 源自 C51 分布式 RL 一脉)。
  • 防止信息坍缩要同时防两个方向:free bits 的结构说明 KL 正则项既要防"先验追不上后验"也要防"表示主动坍缩",stop-gradient 的方向选择决定了谁在学谁。
  • 无监督信号可以承担表示学习主力:重建梯度主导表示学习的消融结论,支持"先在无标注数据上训世界模型、再少量交互微调策略"的预训练范式。
  • 扩展性结论:在 DreamerV3 的设定下,加大模型和提升回放比是可预测的性能杠杆,且大模型反而省环境交互——对样本昂贵的真实世界场景(机器人)有直接参考价值。

参考与延伸阅读

  • 一手论文:arXiv:2301.04104(v2, 2024-04-17),本地副本见 references/2301.04104.pdf
  • PlaNet:arXiv:1811.04551;DreamerV1:arXiv:1912.01603;DreamerV2:arXiv:2010.02193
  • 官方开源实现:作者项目页提供的 DreamerV3 代码可复现论文全部结果