Policy Optimization上級
FERPO:批評家の行動微分を使わないオンライン最大エントロピー方策最適化
本論文はプレプリントである。FERPOは、学習した批評家の行動微分を使わず、価値のみから方策改善を行うオンライン最大エントロピー強化学習手法である。転がり出し方策からサンプルした行動を自己正規化重点サンプリングで重み付けし、前方KLで正則化目標分布にフィットする。DMCとManiSkillでREPPO並みの最終性能を示し、サンプル効率と更新時間で優位を報告した。
ロボティクスとフィジカルAIの最新論文と、それぞれが産業にもたらす意味。
本論文はプレプリントである。FERPOは、学習した批評家の行動微分を使わず、価値のみから方策改善を行うオンライン最大エントロピー強化学習手法である。転がり出し方策からサンプルした行動を自己正規化重点サンプリングで重み付けし、前方KLで正則化目標分布にフィットする。DMCとManiSkillでREPPO並みの最終性能を示し、サンプル効率と更新時間で優位を報告した。
論文は arXiv のロボティクス分野から取得しています。当社の要約が未作成の場合は、要旨の冒頭を表示します。