reward-observability

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。