跳到主要内容
检索

Universidad Central de Chile

1 篇关联报道

订阅更新
  1. arXiv

    延迟观测下训练智能体:Hindsight Critics 只改评论家,8 个环境中 4 个延迟鲁棒性得分最高

    观测延迟让智能体拿到的是过去的状态,标准强化学习算法因此性能下降。Hindsight Critics 在训练时用完整轨迹回推出当前状态的状态估计,只让评论家使用这一估计,演员在部署时仍只看延迟观测。在 DelayBench 的 8 个连续控制环境中,它的延迟鲁棒性得分在 4 个环境最高,能部分抵消中等延迟带来的退化,但 16 步的大延迟仍难以应对。

已读完全部报道