先说一个我实际遇到过的情况：用随机策略去控制一个六轴机械臂，让它在桌面推动积木，目标是到达某个红点位置。在连续动作空间里，这个“随机撞上目标”的概率低到可以忽略——六个关节角度连续取值，稍微偏一点落点就天差地别。于是整个训练过程陷入一个怪圈：没有任何成功样本，奖励全是0，策略网络收不到梯度，不管迭代多少轮都在原地打转。这个怪圈有个专门名字，叫稀疏奖励问题（sparse reward problem），而今天要聊的 hindsight——更准确地说是 Hindsight Experience Replay（HER，后见经验回放）——就是专门用来撬开这个怪圈的方法。

“hindsight”中文通常译作“后见之明”，通俗讲就是“事后诸葛亮”。在决策科学里，事后复盘常被认为带有认知偏差，但在深度强化学习里，把它变成一种系统化的训练信号后，效果出乎意料地好。这个思路最早来自 2017 年 OpenAI 团队的论文，之后迅速成为多目标强化学习、机器人操作任务里最常用的技巧之一。顺带说一句，hindsight 这个词在工程监控领域也有一款同名工具，但今天只聊强化学习里的 HER，不展开那个方向。

这篇内容适合谁看？一个是对强化学习有一点基础、正在做稀疏奖励任务的开发者；另一个是想在机器人仿真环境里快速跑通目标导向任务的工程同学。读完你至少能理解 HER 为什么有效，怎么把它接进自己的训练代码，以及哪些坑我替你先踩过了。

1. 为什么强化学习会在稀疏奖励里卡死

1.1 稀疏奖励不是“没奖励”，而是“没梯度”

先说清楚什么是稀疏奖励。以机械臂推积木为例：任务目标是“把积木推到红点中心”，状态是机械臂关节角度和积木坐标，动作是六个关节的目标角速度。奖励函数往往写得很简单：

• 积木与目标点的距离小于阈值，r = +1；
• 否则，r = 0。

这个奖励定义很清楚，没有任何歧义。但问题在于：在几十万步随机探索里，策略几乎一次都碰不到那个 +1。于是经验池里全是 r = 0 的样本，时间差分误差虽然在算，可目标值也都是 0，Q 网络学到的全是“无论怎么做都没好处”，策略自然也就学不到东西。

用生活话讲，这就像一个学生做了两个月的题，但所有题批改结果都是零分，而且老师不告诉他离及格差多少，只给“过”或“没过”。他连往哪个方向改都不知道。稀疏奖励的本质不是“奖励少”，而是“学习信号里没有梯度方向”。

我早期做过一个实验，在没有 HER 的情况下训练一个推积木任务，训练了 100 万步，成功率恒为 0。查看每个 epoch 的平均奖励时，那条曲线是一条贴地的直线，一点起伏都没有。那一刻你会真切理解什么叫“梯度消失”在非神经网络层面的体现。

1.2 常见的破解套路，为什么总差点意思

面对稀疏奖励，教科书里通常给出的方案有四类，每类都有它的代价：

奖励塑形（reward shaping）是最直接的思路：把 r = 0/1 改成 r = -distance_to_goal，这样每一步都有了连续梯度。但麻烦在于，如果你把“距离缩短”作为奖励，策略很容易停在“靠近但不能完全到达”的局部最优；而且塑形函数的系数极其敏感，调不好就会出现绕着目标点打转却拿不到最终奖励的怪象。

课程学习（curriculum learning）也很常见：先让目标出现在离机械臂很近的位置，训练成功后逐步拉远。听起来合理，但你需要手动为每个任务设计“从易到难”的序列，任务一换，课程也得跟着换。这属于人工先验成本很高的方案。

内在奖励（intrinsic motivation）是另一条路，典型代表是 ICM、RND 这类“好奇心”机制，鼓励智能体探索未见过的新状态。这类方法有效，但状态空间一大，计算开销明显上升，而且有时会鼓励智能体沉迷于随机噪声区域。

演示学习（learning from demonstration）思路是直接给一些专家轨迹，让模型模仿。问题是这需要额外获取专家数据，在很多物理环境里，采集一条可用的示教轨迹并不比训练策略便宜。

这四类方案都有一个共同点：它们都在“如何产生更多有效探索”上做文章。而 HER 的思路完全不同——它不改探索，也不改奖励函数，它改的是“已经发生的失败经验”的标签方式。这个视角差，是它最聪明的地方。

2. HER 的核心思想：用“后见之明”给经验重新贴标签

2.1 失败轨迹里其实藏着大量“成功片段”

让我用一个更具体的例子展开。机械臂推积木的任务中，一次完整的 episode 可能是这样的：

• 目标位置 g = (0.3, 0.2, 0.05)；
• 策略从初始状态出发，推了 50 步；
• 积木最终停在 (0.15, 0.4, 0.05)，离目标点差距很大；
• 整条轨迹没有获得任何奖励。

如果以“原始目标 g”来标记这条轨迹，它就是一条彻底的失败样本，对训练没有任何正向贡献。但如果换个角度：积木虽然没到 (0.3, 0.2)，可它确实从初始位置被推到了 (0.15, 0.4)。那么请问，如果目标一开始就是 (0.15, 0.4)，这条轨迹是不是一条成功的轨迹？最后一步是不是就应该拿到 r = +1？

HER 做的就是这个事：把轨迹里“实际达到的状态”拿出来，作为新的目标，重新给这条轨迹的每一步计算奖励。原来那条零奖励的失败轨迹，经过 relabel 之后，至少最后一段变成了有正奖励的成功经验。这就是“后见之明”——我事先不知道目标在哪里，但事后我可以说，“既然你到了这里，那这次的目标就是这里”。

实际算法里，HER 并不会把整条轨迹的每一步都变成成功经验，只有真正到达新目标的那个时刻以及之后的状态才是 +1。但哪怕只是给训练注入一个正样本，也足以让 Q 网络尝到“甜头”，开始往正确方向调整。

2.2 为什么可以随便改目标？因为目标本来就是输入

很多第一次接触 HER 的人会问一个很关键的问题：把目标从 g 改成 g’，相当于篡改训练数据，这真的没问题吗？这不会让策略学到了错误的目标吗？

答案在于强化学习任务的定义方式。传统单目标任务里，目标被写在奖励函数里，是环境的一部分，改不得。但 HER 适用于 goal-conditioned 任务，也就是“给定一个目标，输出对应动作”的设定。在这类设定中，目标 g 不是环境属性，而是作为网络输入的一维向量存在：

• 状态空间：state = concat(observation, g)；
• 策略：π(a | observation, g)；
• 奖励：r = 1{φ(s_next) 与 g 的距离 < δ}。

也就是说，目标 g 是条件信号，同一个状态转移可以搭配不同的 g 使用。比如一条“从 A 点推到 B 点”的状态转移序列，在目标为 C 时是失败样本，在目标为 B 时就是成功样本。HER 只是把原来那条经验从“g=C 的失败样本”重新打包成“g=B 的成功样本”，并没有改变状态转移本身的物理逻辑。

这个设计真正学出来的能力，不是“推到某个特定点”，而是“给定一个目标点，我能学会把积木推向它”的通用映射。这就像刷题时，你不仅学习“解某一道题”，而是通过大量题目学习“解某一类题”的方法。HER 的 relabel 相当于变相扩充了训练题目集，而且这些题目都是策略自己“做出来”的，不需要人工标注。

2.3 关键细节：新目标从哪里采样

目标可以改，但改成什么是有讲究的。HER 原始论文里对比了几种新目标来源，这也是我后来才发现差别极大的地方：

• final：把轨迹的终点状态作为新目标；
• future：在轨迹中当前时刻 t 之后的状态里随机选一个作为新目标；
• episode：在同一个 episode 的未来状态里随机选；
• random：从整个经验池的任意状态里随机选。

读论文时我觉得 final 和 future 应该差不多，但实际测试下来差异不小。final 的缺点是：一条轨迹只有一个终点，整条轨迹 relabel 后，只有最后几步能拿到正奖励，中间大部分经验仍然是零奖励，信息增益有限。而 future 策略可以在轨迹的不同位置多次采样，把中段的状态也变成潜在目标，相当于把一整条轨迹里的“中途成就”都挖掘出来了。

论文推荐的默认配置是 future 策略 + K=4。K 的含义是：每一条真实经验，额外生成 4 条 relabel 经验存入 buffer。也就是说，经验池里原始经验只占 1/5，relabel 经验占 4/5。这个比例听起来激进，但实验下来确实效果最好。我个人的经验是，如果训练任务的目标空间特别大，K=4 是稳健起点；如果目标空间比较小，K 减到 2 也能快速收敛，还能省内存。

3. 从想法到代码：HER 的实现细节

3.1 整体架构：无需改探索，只改经验处理

HER 最大的工程优势是侵入性很小。它的前提是训练算法本身是 off-policy 的，也就是有经验池的算法，比如 DQN、DDPG、SAC 都行。你不需要改策略网络结构里的探索部分，也不需要改 env 的奖励函数定义，只需要在“数据入池”时多存一份信息，在“采样训练”时多做一次目标替换。

完整的数据流是这样的：

1. 策略在环境中跑一个 episode；
2. 每一步都保存 observation、action、reward、next_observation、achieved_goal、done；
3. episode 结束后，把整条轨迹的原始经验存入 buffer；
4. 同时按 K 值，为这条轨迹生成额外 K 份 relabel 数据，也存入 buffer；
5. 训练时从 buffer 里随机采样 batch，正常算 Q 更新。

在这个流程里，探索策略本身完全没变。这意味着你可以把 HER 当成一个“后处理插件”挂在任何 off-policy 算法后面。我第一次接进 DDPG 的时候，整个改动大约只有几十行，训练效果完全是另一个量级。

3.2 核心代码逻辑：relabel 怎么实现

我用 Python 伪代码说明最核心的两个函数。第一个是“判断是否到达目标”的奖励函数：

def compute_reward(achieved_goal, desired_goal, threshold=0.05): # 用欧几里得距离判断是否到达目标 dist = np.linalg.norm(achieved_goal - desired_goal) return 1.0 if dist < threshold else 0.0

注意这里的 achieved_goal 是从 observation 里分离出来的子向量。在机械臂任务里，observation 通常包含机械臂关节角度、积木位置、目标位置等多个信息，其中积木位置就是 achieved_goal，目标位置就是 desired_goal。一定要在环境设计时把这两个字段独立出来，否则后面无法做 relabel。

第二个是 relabel 的核心逻辑：

def relabel_trajectory(trajectory, original_goal, k=4): # trajectory 是 [(obs, action, achieved_goal, next_obs, done), ...] relabeled = [] for step_idx, transition in enumerate(trajectory): obs, action, achieved_goal, next_obs, done = transition # 原始经验：保留一份 relabeled.append({ "obs": obs, "action": action, "goal": original_goal, "reward": compute_reward(achieved_goal, original_goal), "next_obs": next_obs, "done": done }) # 额外生成 k 份 relabel 经验 for _ in range(k): # future 采样：从当前步之后的状态里随机选一个新目标 future_idx = np.random.randint(step_idx, len(trajectory)) new_goal = trajectory[future_idx].achieved_goal relabeled.append({ "obs": obs, "action": action, "goal": new_goal, "reward": compute_reward(achieved_goal, new_goal), "next_obs": next_obs, "done": done }) return relabeled

这里有一个非常容易踩的坑：relabel 时不仅要改 goal，还要重新计算 reward。很多人第一次实现时只改了 goal，忘了改 reward，结果经验池里出现大量“目标已经换了但奖励还是老的”的错误数据，训练直接乱掉。

另外，done 标志也需要注意。在稀疏奖励任务里，如果新目标是轨迹终点，那最后一步确实到达了目标，done 可以设为 True，用来启动自举（boostrapping），给 Q 网络一个明确的终止信号。但如果新目标是从中间状态采样的，后续还有几步才到终点，那 done 应该保持 False。最简单稳妥的做法是：除了最后一步到达“新目标”的情况，其余一律 done=False。我甚至建议在早期验证阶段直接强制所有 relabel 数据的 done 都是 False，先确认其他环节没问题再说。

3.3 超参配置：照着抄也能稳的版本

我把自己在仿真环境里验证过的一组配置列出来，环境是 OpenAI Gym 的 Fetch 系列任务，算法是 DDPG+HER：

有几个细节值得展开说说。第一，buffer 容量一定要给足。relabel 会把经验放大到原来的 K+1 倍，意味着 1e5 的 buffer 实际能存的有效原始经验只有 2 万条左右，稀疏奖励任务本身又需要大量探索样本，buffer 太小会频繁覆盖掉稀有的正样本。第二，我在 relabel 时有意识地保留了原始经验，而不是全部替换。虽然 relabel 经验对学习“达成任意目标”很有帮助，但原始目标经验也不能完全丢，否则策略在真正需要推到指定点的时候，会缺少“朝指定目标优化”的信号。保留原始经验的比例我通常控制在 1/(K+1) 左右，正好和 K=4 的设定匹配。

还有一个容易忽视的细节：目标向量和 achieved_goal 向量的维度必须一致，而且物理量纲最好也一致。如果你的目标是用三维坐标表示，而 achieved_goal 是机器人末端的四元数姿态，这两个向量就不能直接替换。我在一个任务里吃过这个亏：目标空间是位置坐标，网络输入里却拼接了姿态角，结果 relabel 出来的新目标在语义上根本不对应，训练怎么跑都不收敛。后来把所有目标统一成“位置坐标”后才正常。

3.4 奖励函数与状态空间的匹配问题

HER 能工作的前提是：环境的状态里必须显式包含“当前任务达成到什么程度”的信息，也就是 achieved_goal 必须从 observation 中完整读取出来，且不能有歧义。

举个例子：判断一个积木是否到达目标位置，你需要知道积木当前的位置坐标，这在 observation 里通常是现成的。但如果你想让机械臂学习“把瓶盖拧紧”，achieved_goal 应该是“瓶盖当前旋转了多少弧度”，如果 observation 里只有一个 RGB 相机图像，那你就得先训练一个感知模块从图像里估计瓶盖状态，HER 的 relabel 才能做下去。感知误差会直接污染 relabel 后的目标，这是很多真实机器人任务里 HER 效果打折的原因之一。

所以在设计状态空间时，我的建议是：尽可能把任务相关的低维状态量直接暴露给策略。不要痴迷于端到端从像素学习，在大部分控制任务里，先用真值状态把控制逻辑跑通，再考虑感知部分，工程上要稳得多。

4. 实测效果与踩坑记录

4.1 加了 HER 之后，训练曲线到底长什么样

我在 MuJoCo 的 Fetch 系列环境里做过几组对比实验，不带 HER 的 DDPG 在 FetchReach 和 FetchPush 上基本不收敛，成功率曲线是一条贴地的直线。这话我说得很绝对，因为事实就是如此：随机探索撞不上目标，没有正样本，Q 网络学不到东西。

接入 HER 之后，曲线形态非常有意思，不是平滑上坡，而是“长平台+跳变”的结构。一开始很长一段时间成功率还是 0，但经验池里 relabel 出来的正样本在悄悄积累。然后某个时刻突然出现一些成功率大于 0 的试探性尖峰，接着成功率在几十个 epoch 内抬升到一个平台。这个“突然抬升”的阶段，正是 Q 网络第一次理解到“目标距离越近，价值越高”的时刻。

如果你画的曲线长时间没有任何跳变迹象，先别急着调网络结构，大概率是 relabel 逻辑有 bug，或者 achieved_goal 字段提取错了。我个人会先用 FetchReach 这种简单任务做代码验证，它只有单步到达目标，没有物体交互，跑通很快，能快速排除大部分实现问题。

4.2 六个常见问题速查表

我在反复折腾 HER 的过程中，整理了一张排查表，分享出来可能帮你省几天时间：

第二个问题我特别有体会。在一组实验里我把 buffer 设成 1e5，结果训练前期出现了“刚刚学到一点、马上忘掉”的反复，后来把 buffer 加到 1e6 才稳住。经验池大小在普通连续控制任务里可能没那么敏感，但稀疏奖励任务里，正样本太稀缺，任何一点有效经验都非常宝贵。

4.3 关于实操心态的几个建议

第一，HER 不是万能药。它解决的是“经验标签稀疏”的问题，如果探索方向本身就完全错误——比如机械臂往远离目标的方向运动，而动作空间又限制了它无法回头——HER 也救不了你。这种情况下要回头检查状态表示、动作空间设计，或者引入一些先验知识来约束初始探索方向。

第二，验证 HER 代码时，不要一上来就跑大任务。先用一个你能用肉眼判断正误的简化环境：比如一个 2D 点形机器人，环境只有一个点需要到达目标位置。如果连这种环境都不收敛，说明代码有问题，而不是任务太难。我在一个高维任务上足足排查了两天，最后发现只是 future_idx 的采样范围写错了，在单点环境里这种 bug 一眼就能看出来。

第三，训练过程中建议定期保存模型，并且把每个阶段的 checkpoint 都留一份。HER relabel 后的经验池会让模型在训练中后期变化很快，有时候一个 checkpoint 看起来快收敛了，但继续训练一段后反而变差。有备份的话，可以回退到最好的版本继续微调，而不是从头再来。

我自己在机器人操作任务里的整体感受是：HER 是我遇到过的，性价比最高的稀疏奖励解决方案之一。它不要求你设计复杂的探索策略，也不依赖专家数据，只需在数据流上做一层“事后改写”，就能把大量看似无用的失败轨迹变成训练燃料。这种思路本身也值得记在心里：有时候问题解决不了，不是缺新数据，而是旧数据里有太多被浪费掉的信息。