统一性能与安全的Bellman算子提出

Nishanth Arun Rao等研究者提出一种统一性能与安全目标的Bellman算子，将二者整合进联合价值函数，并在双时间尺度随机逼近框架下证明了时序差分学习的收敛性。 该框架在快时间尺度估计学习策略的安全价值，慢时间尺度估计联合价值。研究者称，收敛后的最优策略在最大化任务回报的同时始终保持安全；连续控制任务的神经逼近实验显示收敛稳定，测试时安全违规接近零。

AI 根据报道生成 · 43 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。