TildAlice

Model-Based RL 완벽 가이드: Dyna-Q부터 MuZero까지 환경 모델 학습과 Planning 전략 총정리

Updated Feb 6, 2026

Model-Based RL이란?

강화학습(Reinforcement Learning)은 크게 Model-Free와 Model-Based 방식으로 나뉩니다. Model-Free RL(DQN, PPO 등)은 환경과 직접 상호작용하며 가치함수나 정책을 학습하지만, Model-Based RL은 환경의 dynamics를 모델로 학습한 뒤 이를 활용해 계획(Planning)을 수립합니다.

핵심 아이디어: 실제 환경 대신 학습된 모델에서 시뮬레이션을 돌려 샘플 효율성을 극대화한다.

이 접근법은 특히 실제 환경에서의 샘플 수집 비용이 높은 로보틱스, 자율주행, 산업 제어 분야에서 필수적입니다.

Model-Based RL의 핵심 컴포넌트

Model-Based RL은 다음 3가지 핵심 요소로 구성됩니다.

1. 환경 모델(Dynamics Model) 학습

환경 모델은 현재 상태 sts_t와 행동 ata_t가 주어졌을 때 다음 상태 st+1s_{t+1}과 보상 rtr_t를 예측합니다.

<br/>st+1,rt=fθ(st,at)<br/><br /> s_{t+1}, r_t = f_{\theta}(s_t, a_t)<br />

여기서:
– fθf_{\theta}: 파라미터 θ\theta를 가진 학습 가능한 모델 (신경망)
– sts_t: 현재 상태
– ata_t: 선택한 행동
– st+1s_{t+1}: 예측된 다음 상태
– rtr_t: 예측된 보상

학습 방법: 실제 경험 데이터 (s,a,s′,r)(s, a, s', r)을 수집하여 supervised learning으로 학습합니다.

import torch
import torch.nn as nn

class DynamicsModel(nn.Module):
    def __init__(self, state_dim, action_dim):
        super().__init__()
        self.network = nn.Sequential(
            nn.Linear(state_dim + action_dim, 256),
            nn.ReLU(),
            nn.Linear(256, 256),
            nn.ReLU(),
            nn.Linear(256, state_dim + 1)  # 다음 상태 + 보상
        )

    def forward(self, state, action):
        x = torch.cat([state, action], dim=-1)
        output = self.network(x)
        next_state = output[:, :-1]
        reward = output[:, -1:]
        return next_state, reward

# 학습 예시
def train_dynamics_model(model, replay_buffer, optimizer):
    states, actions, next_states, rewards = replay_buffer.sample(batch_size=256)

    pred_next_states, pred_rewards = model(states, actions)

    state_loss = nn.MSELoss()(pred_next_states, next_states)
    reward_loss = nn.MSELoss()(pred_rewards, rewards)

    loss = state_loss + reward_loss
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

2. Planning (계획 수립)

학습된 모델로 미래를 시뮬레이션하여 최적 행동을 결정합니다. 실제 환경 상호작용 없이 모델 내에서 rollout을 수행합니다.

3. Policy Improvement

Planning 결과를 바탕으로 정책을 개선합니다. Model-Free 방식과 결합하여 하이브리드 접근도 가능합니다.

주요 Planning 알고리즘 비교

알고리즘 연도 모델 타입 Planning 방식 특징 적용 분야
Dyna-Q 1990 Tabular/Simple Random rollout + Q-learning 간단하고 직관적, 작은 상태공간 그리드월드, 미로
PETS 2018 Ensemble NN MPC with CEM 불확실성 고려, 샘플 효율적 로보틱스 제어
MBPO 2019 Probabilistic Short rollout + SAC Model-Free와 결합 연속 제어
Dreamer 2020 Latent RSSM Imagination in latent 이미지 입력 처리 Atari, DMC
MuZero 2020 Implicit MCTS + Learned model 체스/바둑급 성능 게임, 복잡한 의사결정

Dyna-Q: Model-Based RL의 시작

Dyna-Q는 Richard Sutton이 1990년 제안한 고전 알고리즘으로, Real experience와 Simulated experience를 결합합니다.

작동 원리

  1. 실제 환경에서 경험 수집: (s,a,r,s′)(s, a, r, s')
  2. Q-learning 업데이트 수행
  3. 모델 학습: Model(s,a)→(r,s′)Model(s, a) \rightarrow (r, s')
  4. Planning: 모델에서 nn번 시뮬레이션하며 추가 Q-learning
class DynaQ:
    def __init__(self, n_states, n_actions, n_planning_steps=5):
        self.Q = np.zeros((n_states, n_actions))
        self.model = {}  # (s, a) -> (r, s')
        self.n_planning = n_planning_steps
        self.visited = []  # 방문한 (s, a) 쌍 저장

    def update(self, s, a, r, s_next, alpha=0.1, gamma=0.95):
        # 1. Direct RL (Q-learning)
        best_next_action = np.argmax(self.Q[s_next])
        td_target = r + gamma * self.Q[s_next, best_next_action]
        self.Q[s, a] += alpha * (td_target - self.Q[s, a])

        # 2. Model learning
        self.model[(s, a)] = (r, s_next)
        if (s, a) not in self.visited:
            self.visited.append((s, a))

        # 3. Planning
        for _ in range(self.n_planning):
            # 랜덤하게 과거 경험 샘플링
            s_sim, a_sim = random.choice(self.visited)
            r_sim, s_next_sim = self.model[(s_sim, a_sim)]

            # Simulated Q-learning
            best_next = np.argmax(self.Q[s_next_sim])
            td_target_sim = r_sim + gamma * self.Q[s_next_sim, best_next]
            self.Q[s_sim, a_sim] += alpha * (td_target_sim - self.Q[s_sim, a_sim])

장점: 적은 실제 경험으로 빠른 학습
단점: 모델 오차가 누적되면 성능 저하

MuZero: 암묵적 모델로 체스·바둑 정복

DeepMind의 MuZero(2020)는 환경의 실제 상태를 예측하지 않고, 의사결정에 필요한 잠재 표현(latent representation)만 학습합니다.

MuZero의 3가지 핵심 함수

  1. Representation 함수 hh: 관측 oo를 잠재 상태 s0s^0로 인코딩
    s0=hθ(o1,...,ot)s^0 = h_{\theta}(o_1, …, o_t)

  2. Dynamics 함수 gg: 잠재 상태와 행동을 다음 잠재 상태와 보상으로 변환
    rk,sk+1=gθ(sk,ak)r^k, s^{k+1} = g_{\theta}(s^k, a^k)

  3. Prediction 함수 ff: 정책과 가치 예측
    pk,vk=fθ(sk)p^k, v^k = f_{\theta}(s^k)

여기서 θ\theta는 모두 신경망 파라미터입니다.

MCTS와의 결합

MuZero는 Monte Carlo Tree Search(MCTS)를 활용해 planning을 수행합니다.

class MuZeroMCTS:
    def __init__(self, model, n_simulations=50):
        self.model = model  # h, g, f 함수 포함
        self.n_simulations = n_simulations

    def search(self, observation):
        root = Node()
        # Representation: 관측을 잠재 상태로
        latent_state = self.model.h(observation)
        root.expand(latent_state, self.model.f(latent_state))

        for _ in range(self.n_simulations):
            node = root
            search_path = [node]

            # Selection: UCB로 노드 선택
            while node.expanded:
                action, node = node.select_child()
                search_path.append(node)

            # Expansion
            parent = search_path[-2]
            latent_state = parent.latent_state
            action = search_path[-1].action

            # Dynamics: 다음 잠재 상태 예측
            reward, next_latent = self.model.g(latent_state, action)
            policy, value = self.model.f(next_latent)

            node.expand(next_latent, policy)

            # Backpropagation
            self.backpropagate(search_path, value, reward)

        # 최적 행동 선택 (방문 횟수 기반)
        return root.select_action(temperature=0)

실전 활용:
– Atari 게임: 픽셀 입력에서 초인적 성능
– 체스/바둑: AlphaZero와 동등하되 환경 규칙 없이 학습
– 로보틱스: 고차원 센서 데이터 처리

MBPO와 Dreamer: 현대적 접근

MBPO (Model-Based Policy Optimization)

핵심 전략: 짧은 rollout으로 모델 오차 최소화

  • 모델에서 kk-step(보통 1~5) rollout만 수행
  • 생성된 가상 데이터를 SAC 같은 Model-Free 알고리즘에 추가
  • 실제 데이터와 모델 데이터를 혼합하여 학습
def mbpo_training_step(env, model, policy, replay_buffer):
    # 1. 실제 환경에서 데이터 수집
    real_data = collect_data(env, policy, n_steps=1000)
    replay_buffer.add(real_data)

    # 2. 모델 학습
    train_dynamics_model(model, replay_buffer)

    # 3. 짧은 rollout으로 가상 데이터 생성
    model_buffer = []
    for s in replay_buffer.sample_states(n=10000):
        trajectory = []
        state = s
        for _ in range(k_step_rollout):  # k=5
            action = policy.sample(state)
            next_state, reward = model.predict(state, action)
            trajectory.append((state, action, reward, next_state))
            state = next_state
        model_buffer.extend(trajectory)

    # 4. 실제+가상 데이터로 정책 학습 (SAC)
    combined_buffer = replay_buffer + model_buffer
    policy.update(combined_buffer)

Dreamer

잠재 공간(latent space)에서 모든 planning을 수행하는 월드 모델입니다.

  • RSSM (Recurrent State-Space Model): 결정론적 상태 + 확률적 상태로 분리
  • 이미지 관측을 latent로 압축 후 imagination으로 정책 학습
  • Atari, DeepMind Control Suite에서 뛰어난 샘플 효율성

실전 구현 전략

1. 언제 Model-Based를 사용할까?

상황 추천 여부
샘플 수집 비용이 높음 (로봇, 실제 하드웨어) ✅ 강력 추천
환경이 deterministic하거나 예측 가능 ✅ 추천
복잡한 dynamics, 카오스 시스템 ⚠️ 모델 학습 어려움
고차원 상태공간 (이미지) ✅ Dreamer, MuZero
빠른 프로토타입 필요 ❌ Model-Free가 간단

2. 모델 오차 관리

핵심 원칙: 모델을 완벽하게 만들려 하지 말고, 오차를 인정하고 관리하라.

  • Ensemble: 여러 모델을 학습해 불확실성 추정 (PETS)
  • Short rollout: MBPO처럼 1~5 step만 시뮬레이션
  • Uncertainty penalty: 불확실성이 높은 영역은 보상에 패널티

3. 하이브리드 접근

class HybridAgent:
    def __init__(self):
        self.model = DynamicsModel()
        self.policy = SACPolicy()  # Model-Free

    def train(self, env):
        for episode in range(1000):
            # Real experience
            real_data = self.policy.collect_rollout(env, n_steps=1000)

            # Model learning
            self.model.train(real_data)

            # Imagined experience (Model-Based)
            imagined_data = self.model.generate_rollouts(
                initial_states=real_data.states,
                policy=self.policy,
                horizon=5
            )

            # Policy update with both
            self.policy.update(real_data + imagined_data)

4. 디버깅 팁

  • 모델 예측 시각화: 실제 궤적 vs 모델 예측 비교
  • Rollout 길이 실험: 1, 3, 5, 10 step 성능 비교
  • Model-Free 베이스라인: 항상 SAC/PPO와 성능 비교

마무리

Model-Based RL은 샘플 효율성이라는 강화학습의 가장 큰 과제를 해결하는 핵심 접근법입니다.

핵심 요약:
– Dyna-Q: 간단한 tabular 환경에서 출발점, real + simulated 경험 결합
– MuZero: 암묵적 모델 + MCTS로 게임 AI의 정점, 환경 규칙 없이 학습
– MBPO: 짧은 rollout으로 모델 오차 관리, Model-Free와 시너지
– Dreamer: 잠재 공간 imagination으로 이미지 기반 제어 혁신

실전에서는 하이브리드 접근(Model-Based planning + Model-Free robustness)이 가장 안정적입니다. 환경의 특성을 파악하고, 모델 오차를 인정하며, 적절한 rollout 길이를 실험하는 것이 성공의 열쇠입니다.

로보틱스나 자율주행처럼 실제 샘플이 귀한 도메인이라면 Model-Based RL은 선택이 아닌 필수입니다. MuZero나 Dreamer의 코드를 직접 구현해보며 planning의 위력을 체감해보세요!

Related Posts

Reinforcement LearningMulti-Agent Reinforcement Learning (MARL): Practical Guide to Cooperative and Competitive LearningMaster Multi-Agent Reinforcement Learning with practical implementations of QMIX, self-play, and communication networks. Complete guide to cooperative and competitive MARL systems.2026.01.16Reinforcement LearningPart 5: Reward Engineering: How to Shape Behaviors in Financial/Robotic TasksMaster reward function design for RL: potential-based shaping, risk-adjusted trading rewards, sparse vs dense robotics rewards, curriculum learning, and intrinsic motivation.2026.01.26Reinforcement LearningSim-to-Real Transfer 완전 가이드: 시뮬레이션 강화학습을 실제 로봇에 적용하는 방법Sim-to-Real Transfer란? 강화학습(Reinforcement Learning)은 에이전트가 환경과 상호작용하며 최적의 정책을 학습하는 방법입니다. 그런데 실제 로봇으로 수만 번의 시행착오를 반복하는 것은 시간,…2025.12.03Reinforcement LearningMulti-Agent Reinforcement Learning(MARL) 실전 가이드: QMIX, MAPPO, MADDPG 구현 비교와 협력·경쟁 환경 학습 전략Multi-Agent Reinforcement Learning이란? Multi-Agent Reinforcement Learning(MARL)은 여러 에이전트가 동시에 환경과 상호작용하며 학습하는 강화학습 기법입니다. 단일 에이전트 강화학습과 달리, MARL은 에이전트…2025.11.18

Did you find this helpful?

☕ Buy me a coffee

Comments

Leave a Reply

Your email address will not be published. Required fields are marked *

TODAY 473 | TOTAL 2,696