摘要: 将 offline HIM 应用到 PbRL,① 用离线轨迹训练 a=π(s,z) ,② 训练最优 hindsight z* 靠近 z+ 远离 z-。 阅读全文
posted @ 2024-02-27 21:38 MoonOut 阅读(65) 评论(0) 推荐(0) 编辑
摘要: 将 offline 训练轨迹中,当前时刻之后发生的事 作为 hindsight,从而训练出 想要达到当前 hindsight 的 action。 阅读全文
posted @ 2024-02-27 21:08 MoonOut 阅读(187) 评论(0) 推荐(0) 编辑
摘要: ① sequence: {s, a, R, s, ...};② 在 s 的 decode 结果上加 MLP 预测 action;③ 给定 return-to-go 作为某种 hindsight。 阅读全文
posted @ 2024-02-27 20:14 MoonOut 阅读(603) 评论(0) 推荐(2) 编辑