标签
本文提出了密度引导的自举边界，这是一种用于控制潜在世界模型强化学习中想象回报深度的自适应机制，证明了门控贝尔曼算子的收缩性，并展示了该机制在 DreamerV3 框架下的连续控制和 Atari 任务中提升样本效率的效果。
论文提出生成式轨迹规划 (GTP)，一种基于学习到的扩散先验对动作序列进行采样与束搜索精炼的模型在线决策框架，在 MuJoCo 运动与长时程操作任务上超越基线，并开源代码与模型。
本文介绍了QWM，一个将世界模型与Q学习相结合的框架，通过使用想象轨迹进行动作选择来增强强化学习中的样本效率，而不影响在真实数据上的训练。在操作基准测试上，它展示了相比最先进方法的显著改进。
本文提出Dreamer-SAC，一种基于模型的强化学习框架，将递归状态空间世界模型与潜在空间中的软演员-评论家算法相结合，以实现样本高效的自动驾驶。该框架在需要更少的真实环境交互的情况下，优于DreamerV3、SAC和PPO基线。
本文介绍了ATLAS，一种基于模型的持续强化学习算法，该算法结合了Grow When Required网络与后继特征，以实现高样本效率和鲁棒的非平稳环境适应，并在空间导航任务中展示了正向后向迁移。
本文研究了任务需要世界模型中的多少结构，表明目标的维度决定了模型安装了多少预测方向，而常见的标量奖励目标只是价值等价性的秩一角。
本文通过提出离线诊断方法来解决基于模型的强化学习中的目标失配问题，以预测潜在世界模型的闭环性能。在LunarLander-v3上，奖励可观性分数（ROF）和复合分数（CROF）能够选择出生成强大MPC和基于模型的强化学习策略的检查点，同时大幅减少与真实环境的交互次数。
COMET 是一种基于模型的强化学习算法，结合了冻结的对象中心编码器、基于 Transformer 的世界模型和 Monte Carlo Tree Search，通过因果注意力聚焦于任务相关对象，在视觉强化学习基准上取得了更高分数。
本文提出了一种用于基于模型的强化学习中模拟器学习的策略鲁棒性目标，将其建模为模型玩家与对抗性策略玩家之间的极小极大博弈。提供了理论保证和可证明收敛的算法，实验表明预测误差在关键区域降低1.5-2.2倍，并提升了策略从模拟到真实世界的迁移效果。
提出模型基扩散策略优化（MBDPO）框架，该框架通过扩散策略表示统一了世界模型中的搜索与策略优化，在离线与在线强化学习任务中实现一致的扩展行为和卓越性能。
GPLD为DreamerV3引入了梯度惩罚潜在动力学正则化器，强制转换学习中的局部平滑性，提高了连续控制任务（尤其是复杂运动）的样本效率。
David Silver强化学习课程第8讲关于整合学习与规划的摘要，涵盖基于模型的强化学习以及AlphaGo使用策略网络和价值网络结合蒙特卡洛树搜索的方法。
本文介绍了 DR.Q 算法，该算法通过最大化互信息并采用淡出优先经验回放，改善了 Q-learning 的模型化表示，从而减少了连续控制任务中的偏差和过拟合。