Paper Reading(Style-Agnostic Reinforcement Learning)

1. Style Mixing：根据随机采样得到的Observation进行特征融合作为Policy网络输入
2. Style Perturbation：扰动Latent Feature以保证RL模型具有鲁棒性

Style Perturbation Layer

实际上参考StyleNet的基本设计，将Instance Normalization的参数设置为可学习的

$$z_{adv} = \gamma_{adv}(z) \frac{z-\mu(z)}{\sigma(z)} + \beta_{adv}(z)$$

SAR Objectives

借助PPO/SAC训练Policy网络，SAC的Actor Loss包括

1. 最大化Q值
2. 最小化策略熵（倾向于得到确定性策略）

Action Loss写成

$$L_{actor}(\psi)= -E_{a_t|\pi}[Q(_\phi(s_t,a_t)) - \alpha \log \pi_\psi(a_t|s_t)]$$

next state Value也根据Entropy计算得到，在此基础上定义Divergence Loss，给定的Style Perturb/Style Mixing视觉嵌入$z_{adv}/z_t$，希望policy满足

$$\min L_{div} = \min KL(\pi(\cdot|z_t)\parallel \pi(\cdot|z_{adv}))$$

我们同时希望我们的Adversarial Perturbation Generator能够尽可能在策略上产生较大的扰动，Generator Loss被记作

$$\max L_{gen}(\theta) = \max L_{div}$$

对于Critic Loss（TD Error）同样构造类似的损失想用于最小化value之间的差异

$$G_{critic} = (V_\phi(z_t) - V_\phi(z_{adv,t}))^2$$