标签
Introduces Boundary-Seeking Policy Gradient (BSPG), a first-order method for safe reinforcement learning that actively drives the policy toward the constraint boundary, with convergence guarantees and improved reward/boundary tracking on a Safety-Gymnasium task.
本文研究了鲁棒峰值成本约束强化学习，通过控制轨迹上的最大成本并考虑动态不确定性来解决标准CMDP的局限性。作者表明零对偶间隙可能不成立，并提出了一种基于鲁棒值估计的替代优化框架。
本文介绍了一种简单而强大的方法，用于效用约束马尔可夫决策过程（UCMDPs），该方法无需预先固定约束界限即可实现风险敏感约束，在Safety Gymnasium基准测试中优于基线方法。