待验证50% 置信事实精确时间

若塑形奖励形如 F(s, s') = γΦ(s') − Φ(s)，则在该塑形下得到的最优策略与原始稀疏奖励问题的最优策略完全一致。

1

来源数

50%

置信度

长期有效

时效性

2026/10/14

首次发现

来源

Tev用密集进度奖励破解长时任务智能体训练难题

涉及实体

奖励塑形不变性concept

相关事实

待验证基于势函数的奖励塑形（potential-based reward shaping）可保证最优策略不变。73% 相似待验证吊挂控制的典型奖励函数形如 r = -α|θ_yaw| - β|ω_yaw| - γ||u||² - λ||Δu||²，分别惩罚偏航偏差、旋转角速度、控制输入大小和控制输入变化率63% 相似待验证奖励塑形是指在原始稀疏奖励之外加入额外的、更密集的引导性奖励信号，帮助智能体更快更正确地学习61% 相似待验证Actor-Critic架构中用优势函数A(s,a)=Q(s,a)-V(s)替代原始回报G_t，可以在不改变梯度期望的前提下大幅缩小方差60% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/1024907

API

curl https://kongchang.com/api/v1/knowledge/claims/1024907

MCP

get_claim(id=1024907)