peak-cost

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。