馬斯克旗下的SpaceX可以說帶火了“火箭回收”這一話題。這不，連粉絲們都已經開始摩拳擦掌，用自己的方式挑戰起了這個技術難題。例如一位來自密歇根大學的華人博士，就用 強化學習試了一把回收火箭！
博雯 發自 凹非寺
他根據現實中的星艦10號一通進行模擬，還真在虛擬環境中穩穩地完成了懸停和着陸！
這個項目迅速在Reddit上引發了大批網友們的關註：
那麼，他是如何實現的呢？
給火箭回收設立“獎勵機制”
要在模擬環境中回收火箭，那麼大一隻構造複雜的火箭肯定是不能直接抱來用的。
於是，這位SpaceX的鐵杆粉絲首先基於氣缸動力學，將火箭簡化為一個二維平面上的剛體：
這個火箭的底部安裝有推力矢量發動機，能夠提供不同方向的可調的推力值（0.2g，1.0g和2.0g）；同時，火箭噴嘴上還增加了一個角速度約束，最大轉速為30°/秒。
火箭模型所受到的空氣阻力則設定為與速度成正比。
現在，這個模型的一些基本屬性就能夠以下面兩個集合來表示：
-
動作空間：發動機離散控制信號的集合，包括推力加速度和噴嘴角速度
-
狀態空間：由火箭位置、速度、角度、角速度、噴管角度和仿真時間組成的集合
而“火箭回收”這一流程，則被分為了 懸停和 着陸兩個任務。
在懸停任務中，火箭模型需要遵循這樣一種獎勵機制：
-
火箭與預定目標點的距離：距離越近，獎勵越大；
-
火箭體的角度：火箭應該儘可能保持豎直
着陸任務則基於星艦10號的基本參數，將火箭模型的初始速度設置為-50米/秒，方向設置為90°（水平方向），着陸燃燒高度設置為離地面500米。
△星艦10號發射和着陸的合成圖像
火箭模型在着陸時同樣需要遵循這樣一種“獎勵機制”：
當著陸速度小於安全閾值，並且角度接近豎直0°時，就會受到最大的“獎勵”，也會被認為是一次成功的着陸。
總體而言，這是一個基於策略的參與者-評判者的模型。
接下來就是進行訓練：
最終，在經歷了 20000次的訓練后，火箭模型在懸停和着陸兩個任務上都實現了較好的效果：
最終，模型得到了很好的收斂效果：
而這枚模擬環境中的偽·星艦10號，也就像開頭展示的那張動圖一樣，學會了腹部着陸，穩穩地落地了。
下一步：增加燃料變量
這一項目一經發出，就引來了紅迪眾多網友的圍觀和稱讚。
有人覺得用強化學習來解決傳統任務非常有趣，因為它具有更好的魯棒性。
作者也在下方回復表示：現實中惡劣的環境條件可以成為環境制約因素，而強化學習則能在一個統一的框架內解決這些問題。
不過在稱讚之餘，也有網友提出了最直接的這樣一個問題：
既然我們已經可以使用經典控制方法找到這些任務的最優解，那為啥SpaceX之前沒人做？
下方有人解答到：這或許是因為之前的數字控制系統、傳感器等技術並不成熟，採用新方法就意味着要重新設計火箭的關鍵部分。
這也就是控制系統層面之外的“工程類的問題”，而SpaceX正是在這些相關領域中做了改進。
而那些較為傳統保守的航天航空工業則會使用使用凸優化 （Convexification）來解決火箭着陸問題。
也就是評論區有人貼出的這篇論文中提到的方法：
不少評論也為開發者提供了下一步開發的新思路，比如這條評論建議將“剩餘燃料”也作為一個變量，模型燃料的減少或耗盡也是現實中的一個重要影響因素。
作者欣然接受了這一建議：是很容易添加的有趣設置，安排！
密歇根大學華人博士
開發者已經為這一項目建立了一個網站，在主頁他這樣介紹到：
這是我的第一個強化學習項目，所以，我希望通過這些“低水平代碼”儘可能地從頭實現包括環境、火箭動力學和強化學習agent在內的所有內容。
作者叫Zhengxia Zou，是一位來自密歇根大學博士，主要研究計算機視覺、遙感、自動駕駛等領域。
他的論文曾被 ICCV 2021、CVPR 2021等多個頂會收錄：
下載鏈接：
https://github.com/jiupinjia/rocket-recycling
項目主頁：
https://jiupinjia.github.io/rocket-recycling/
參考鏈接：
[P][R] Rocket-recycling with Reinforcement Learning from MachineLearning