概念value-based RL
价值型强化学习
先学习值函数(如Q函数)来估计长期回报、再基于值函数提取策略的强化学习方法,常见算法包括DQN、SAC的critic部分等,在连续控制场景中提供密集稳定的学习信号。
时间轴 (近 90 天)
11月5日
实现通用化改进的两个关键因素是训练任务分布和价值型强化学习的使用。
待验证50%
11月5日
价值型强化学习先学习一个值函数来估计状态或状态-动作对的长期回报,再基于该值函数提取策略。
待验证50%
先学习值函数(如Q函数)来估计长期回报、再基于值函数提取策略的强化学习方法,常见算法包括DQN、SAC的critic部分等,在连续控制场景中提供密集稳定的学习信号。
实现通用化改进的两个关键因素是训练任务分布和价值型强化学习的使用。
价值型强化学习先学习一个值函数来估计状态或状态-动作对的长期回报,再基于该值函数提取策略。