发表时间：2021（ICLR 2021）
文章要点：这篇文章用角色（roles）来分解复杂任务，解决多智能体问题。主要思路是根据动作对环境和其他agents的影响来分解动作空间，形成不同的角色动作空间（role action space），然后通过role selector来给agent赋予角色，再学习role policies在角色动作空间上进行决策。这种方式相当于缩小的动作空间，增加了探索的先验，在需要exploration的环境上有很好的效果。
具体的，先学习动作表征（action representation），根据动作对环境的相似影响将动作聚类，得到不同的类别就是不同的角色。这个表征是用监督的方式提前训练好的。输入是one-hot的动作，输出是d维的动作表征

为了训练这个表征，作者设计了一个辅助任务，就是将当前观测\(o_i\)和其他agents的动作\(a_{-i}\)作为输入，再结合动作表征网络输出的\(z_{a_i}\)用来预测下一个观测和reward。所以loss就长成

有了这个表征之后，给定K个roles，也就是K个类别，用k-means的方式进行聚类。每个角色的动作空间就对应一个类别里面包含的动作，outliers的动作就加到所有的role里面。这个训好之后就就固定不变了，就相当于role和对应的动作空间固定了。
接下来就是去学role selector和role policy了。role selector就是每过c个step，给agent指定一个role，然后agent就用role policy去探索，更新role policy。首先根据之前学好的动作表征，来得到角色表征

角色表征就是简单地把这个角色包含的动作空间的表征求平均。有了角色表征，下一步就是如何选角色。作者用agent的观测\(o_i\)作为输入，经过GRU网络和一个全连接网络得到一个观测的表征\(z_\tau\)，然后观测的表征和角色的表征做内积得到Q值

然后也是用QMIX的方式用一个加权求和的global Q来更新各个部分

总结：挺有意思的文章，主要想法就是通过限制动作空间来减少训练量，同时通过限制动作的方式可以给exploration加一个bias，就一定程度上提升了训练效率。
疑问：k-means的进行聚类为啥会有outlier呢，不是直接就所有样本全聚类聚完了吗？
QMIX之前看过，具体怎么更新的又忘了。
role selector和role policy是同时训的吗，还是分开训的？
表征需要提前训练，不同场景学到的表征也不同，那么前面的表征是不是就对样本的要求比较高了，比如要尽可能覆盖整个任务空间？
训练的时候好像是32个episodes一起训练，如果episode太长咋办？