研究提出部分可观测约束RL有限时间保证

发生了什么

arXiv cs.LG报道，研究针对部分可观测马尔可夫决策过程（CPOMDP）中的约束强化学习，利用有限记忆近似将历史窗口表示为状态。开发了一种原对偶算法，提供了首次非渐近保证，联合限制平均奖励次优性和约束违反度。实验证明该方法在部分可观测网格世界中的有效性。