提出安全关键强化学习统一贝尔曼算子

发生了什么

据arXiv cs.LG论文报道，研究者提出一种新的贝尔曼算子，用于安全关键领域的强化学习，旨在最大化任务性能的同时严格遵守安全约束。该算子将性能和安全性目标统一到一个联合值函数中。理论证明，在双时间尺度随机近似框架下，时序差分学习与该联合贝尔曼算子收敛。实证评估显示，在连续控制任务中，该方法能实现稳定收敛，且在测试时安全违规率接近零。