Reward Shaping
当reward的分布非常分散时，对于机器而言学习如何行动会十分困难。
比如说要让一个机器人倒水进水杯里，如果不对机器人做任何指导，可能它做很多次尝试，reward都一直是零。（不知道杯子在哪，不知道拿着手上的水壶干嘛，不知道水壶靠近杯子之后应该怎么做）
因此，在训练或指导一个actor去做你想要它做的事情时，需要进行reward shaping
好奇法:
在原来的模型当中，actor与环境做互动，根据环境给的state，采取一定的action，并得到reward。而新的模型引入了一个新的函数，ICM（图中的橙色部分）
ICM函数将 st,at,st+1s_t, a_t, s_{t+1}st,at,st+1 作为输入，得到一种新的reward rir^iri，actor的目标现在变为最大化两个部分的reward，即 rrr 和 rir^iri。可以理解为，新的模型中，actor被鼓励基于好奇去采取不一样的行动，这样的好奇带来的行动可以给actor带来额外的收益。
ICM函数的全称为 Intrinsic curiosity module，是用来为actor生成好奇感的函数，它的网络结构如下：
在这个模型中，两个网络 network1 和 network2 是单独进行训练的。
Network 1：将提取的ata_tat 和sts_tst 的特征作为输入，输出 st+1s_{t+1}st+1 的提取特征的估计。然后真实的 st+1s_{t+1}st+1 的提取特征用来与估计值比较，得到两者之间的差别。两者差别越大则reward rir^iri 越大，也就是说，模型鼓励actor去冒险。
Network2:：用来提取与action相关的游泳的特征，输入 sts_tst 和st+1s_{t+1}st+1 的 ϕ\phiϕ 值，输出估计的action atˆ\hat{a_t}at^，如果估计的action和真实的action ata_tat 接近，则 ϕ\phiϕ 可以用来提取有用的特征。
注意：当没有network 2的时候，由network 1给出来的较大的reward意味着 st+1s_{t+1}st+1 很难预测，模型会鼓励actor去冒这个险，但有的时候很难预测的这个state可能是一点都不重要的，因此需要引入network 2来进行重要性计算。比如说，在一个游戏中，对于游戏背景并不会进行太多的state的规定，如果有的时候机器学习到站在一棵树下会导致state难以预测，那么就可能会一直站在树下，但是这一行为对于游戏而言完全没有意义，因此不予考虑。
课程式学习
意味着学习的任务从简单到困难（为机器设计一套课程计划）
比如前文提到的机器人倒水的例子，最开始可以人引导机器人手臂到杯子的附近，教它做倒水的动作，之后再慢慢改变水杯，水壶等变量，让机器从简单学到复杂。
反向课程生成:
给定一个目标state sgs_gsg，在 sgs_gsg 的附件取一些靠近 sgs_gsg 的样本 s1s_1s1，从 s1s_1s1 开始，每个trajectory 都会有一个reward R(s1s_1s1)，删除那些reward太大（意味着已经学会了，课程太简单）的 s1s_1s1，以及那些太小的 s1s_1s1（意味着当前对于机器来说这个课程难度太大），然后继续以 s1s_1s1 为中心采样，重复上述过程。
级联强化学习
如果低一层的agent没法达到目标，那么高一层的agent会受到惩罚（高层agent将自己的愿景传达给底层agent）
如果一个agent到了一个错误的目标，那就假设最初的目标本来就是一个错误的目标（保证已经实现的成果不被浪费）
