【RL】从公式推导到电机控制：深入浅出理解 Policy Gradient 与 Sim-to-Real-开发者社区

【RL】从公式推导到电机控制：深入浅出理解 Policy Gradient 与 Sim-to-Real

摘要：通过legged_gym训练四足机器人时，常常会遇到 Policy Gradient（策略梯度）的核心公式。本文不堆砌晦涩的术语，而是从数学推导出发，直观地解释这个梯度是如何一步步转化为控制电机转动的指令，并探讨为什么理论完美的策略在 Sim-to-Real 环节往往需要“域随机化”来救场。

1. 引言：由于什么我们在优化U ( θ ) U(\theta)U(θ)？

在强化学习（RL）的世界里，我们训练的智能体（比如一只 Unitree A1 机器狗）拥有一个大脑——策略网络（Policy Network），其参数由θ \thetaθ表示。

当我们看着训练曲线（Reward Curve）不断上升时，本质上我们是在优化一个核心指标：U ( θ ) U(\theta)U(θ)。

1.1U ( θ ) U(\theta)U(θ)的物理含义

U ( θ ) U(\theta)U(θ)代表的是期望回报 (Expected Return)。简单来说，它是衡量这只机器狗在当前智力水平（参数θ \thetaθ）下，平均能拿多少分。

数学定义如下：
U ( θ ) = E τ ∼ P θ ( τ ) [ R ( τ ) ] U(\theta) = E_{\tau \sim P_\theta(\tau)} [R(\tau)]U(θ)=Eτ∼Pθ(τ)[R(τ)]

其中：

τ \tauτ(Trajectory)：代表机器人的一次完整尝试（从开机到摔倒或结束的一连串状态s ss和动作a aa的序列）。
R ( τ ) R(\tau)R(τ)：这一次尝试获得的总分数（走得远加分，摔倒扣分，力矩过大扣分）。
P θ ( τ ) P_\theta(\tau)Pθ(τ)：在当前策略下，出现这条轨迹的概率。

我们的终极目标：找到一组参数θ \thetaθ，让U ( θ ) U(\theta)U(θ)最大化。

2. 数学魔法：Policy Gradient 推导 (Log-Derivative Trick)

为了最大化U ( θ ) U(\theta)U(θ)，我们需要求它的梯度∇ θ U ( θ ) \nabla_\theta U(\theta)∇θU(θ)，告诉参数该往哪个方向更新。这里用到了经典的似然比技巧 (Likelihood Ratio Trick)。

第一步：将期望展开为积分

期望本质上是加权平均，我们可以将其写成积分形式。假设奖励函数R ( τ ) R(\tau)R(τ)只由环境决定，与θ \thetaθ无关，我们将梯度算子∇ θ \nabla_\theta∇θ移进积分号内部：

∇ θ U ( θ ) = ∫ ∇ θ P θ ( τ ) R ( τ ) d τ \nabla_\theta U(\theta) = \int \nabla_\theta P_\theta(\tau) R(\tau) d\tau∇θU(θ)=∫∇θPθ(τ)R(τ)dτ

第二步：Log-Derivative Trick（灵魂一步）

利用微积分中的恒等式( log ⁡ x ) ′ = 1 x (\log x)' = \frac{1}{x}(logx)′=x1，我们可以反推出∇ x = x ⋅ ∇ log ⁡ x \nabla x = x \cdot \nabla \log x∇x=x⋅∇logx。
将P θ ( τ ) P_\theta(\tau)Pθ(τ)看作x xx，代入上式：

∇ θ P θ ( τ ) = P θ ( τ ) ∇ θ log ⁡ P θ ( τ ) \nabla_\theta P_\theta(\tau) = P_\theta(\tau) \nabla_\theta \log P_\theta(\tau)∇θPθ(τ)=Pθ(τ)∇θlogPθ(τ)

现在，我们把这个结果代回第一步的积分中：

∇ θ U ( θ ) = ∫ P θ ( τ ) ∇ θ log ⁡ P θ ( τ ) R ( τ ) d τ \nabla_\theta U(\theta) = \int \color{red}{P_\theta(\tau) \nabla_\theta \log P_\theta(\tau)} R(\tau) d\tau∇θU(θ)=∫Pθ(τ)∇θlogPθ(τ)R(τ)dτ

第三步：变回期望形式

观察上式，发现积分里又出现了P θ ( τ ) P_\theta(\tau)Pθ(τ)。这意味着我们可以把积分重新写回期望的形式：

∇ θ U ( θ ) = E τ ∼ P θ ( τ ) [ ∇ θ log ⁡ P θ ( τ ) R ( τ ) ] \nabla_\theta U(\theta) = E_{\tau \sim P_\theta(\tau)} [\nabla_\theta \log P_\theta(\tau) R(\tau)]∇θU(θ)=Eτ∼Pθ(τ)[∇θlogPθ(τ)R(τ)]

第四步：消掉环境模型（Model-Free 的关键）

一条轨迹的概率P θ ( τ ) P_\theta(\tau)Pθ(τ)由三部分组成：初始状态概率、环境转移概率（物理引擎）、策略网络概率。
当我们对θ \thetaθ求梯度时，所有与θ \thetaθ无关的环境物理规律（比如牛顿定律、摩擦系数）全部变成了 0。

最终，我们得到了那个著名的梯度公式：

∇ θ U ( θ ) ≈ 1 N ∑ i = 1 N ( ∑ t ∇ θ log ⁡ π θ ( a t ∣ s t ) ) R ( τ ( i ) ) \nabla_\theta U(\theta) \approx \frac{1}{N} \sum_{i=1}^{N} \left( \sum_{t} \nabla_\theta \log \pi_\theta(a_t|s_t) \right) R(\tau^{(i)})∇θU(θ)≈N1i=1∑N(t∑∇θlogπθ(at∣st))R(τ(i))

为什么这个公式很牛？
它告诉我们：不需要知道环境的物理模型（Model-Free）。无论机器人结构多复杂，只要能通过仿真器采样出来，就可以训练！

3. 物理直觉：梯度是如何控制电机的？

把公式放到四足机器人项目中，每一个符号都有了物理含义。在legged_gym等框架中，策略π θ \pi_\thetaπθ通常输出的是动作分布的均值。

我们可以把梯度更新公式简化理解为：

参数更新 ∝ ∇ θ log ⁡ π ( a ∣ s ) ⏟ 调整方向 ⋅ R ( τ ) ⏟ 调整幅度 \text{参数更新} \propto \underbrace{\nabla_\theta \log \pi(a|s)}_{\text{调整方向}} \cdot \underbrace{R(\tau)}_{\text{调整幅度}}参数更新∝调整方向∇θlogπ(a∣s)⋅调整幅度R(τ)

场景 A：成功的尝试（R ( τ ) > 0 R(\tau) > 0R(τ)>0且很大）

现象：机器狗这一步迈得很稳，没有摔倒，且速度达标。
数学：奖励R RR为正，梯度方向与∇ log ⁡ π \nabla \log \pi∇logπ相同。
效果：更新神经网络权重，增加在当前状态下输出该关节角度的概率密度。
潜台词：“刚才那个姿势很帅，下次遇到这种情况还这么走！”

场景 B：失败的尝试（R ( τ ) < 0 R(\tau) < 0R(τ)<0）

现象：机器狗腿软了或者劈叉了。
数学：奖励R RR为负，梯度方向反转。
效果：更新神经网络权重，抑制产生该动作的概率。
潜台词：“刚才那个电机力矩给大了，导致翻车，下次收敛一点。”

4. 现实的挑战：Sim-to-Real 为何会失效？

理论上很完美，但在 Isaac Gym 或 MuJoCo 里训练好的“满分策略”，直接部署到真机（如 A1, ANYmal）上经常会表现得像个刚学步的婴儿，甚至直接抽搐。

这是因为我们计算梯度的分布P s i m P_{sim}Psim和真实世界的分布P r e a l P_{real}Preal存在Distribution Shift（分布偏移）。

4.1 核心差异点

执行器动力学 (Actuator Dynamics)：
- Sim: 假设电机是理想的，指令一下，扭矩瞬间到达。
- Real: 真实的电机（如宇树 8010）有带宽限制、摩擦、死区和滞后。如果策略要求电机以 50Hz 剧烈抖动，真机根本响应不过来。
延迟 (Latency)：
- Real: 从 IMU 读取 -> C++ 驱动解析 -> 网络推理 -> 串口下发，整个链路存在几十毫秒的延迟。
接触模型：
- 仿真里的地面通常是刚体，而真实地面可能是软的、滑的。