没有reward，训练很难。
因为一开始机器什么都不知道，就靠随机。如果随机一个概率特别小的才有reward，reward非常稀疏，就非常难学习，因为做什么动作都一样糟糕。
1.reward shaping
环境有一个固定的reward。我们还可以设计一些reward，这些不是真正的reward，但是可以引导机器去做一些你想要他做的事情。
增加好奇心：
鼓励冒险，真实的s与network1（另外训练出来的）预测的s越不同，reward越大。这样可以探索更多的未知。
问题：有些state很难预测，但是并不重要。
所以再学一个特征提取，把一些没有意义的东西过滤掉。
学习network2，让预测的a和真实采取的动作a越像越好。这样排除无关特征的影响。
2. curriculum learning
为机器的学习做规划，从简单到难。 帮机器规划一下课程。
学习目标的state，找附近的state学习，去掉过难或者过简单的state。找到难度适中的state，再在其附近找相似的state。
3. Hierarchical Reinforcement Learning
有很多agent，有的负责定目标，把它分配给其他的agent完成。
如果低层agent做不到，上层agent就会收到惩罚。
如果agent做到了一个错误的目标，把上层的目标给改成这个错误的。（这样动作不会被浪费。）