Понимание современных алгоритмов обучения с подкреплением Вступление В этом посте мы рассматриваем Soft Actor-Critic (Haarnoja et al., 2018 и 2019), очень успешный алгоритм обучения с подкреплением, который обеспечивает высочайшую производительность в задачах непрерывного управления (таких как перемещение и манипуляции роботов). Soft Actor-Critic использует концепцию обучения с максимальной энтропией, которая дает некоторые концептуальные и практические преимущества, которые мы обсудим в..

Интуитивный подход к пониманию одного из самых важных методов обучения с подкреплением. Обзор Прежде чем углубляться в подробности об актерском критике, напомним Градиент политики . Что означает наличие обучения с подкреплением на основе политик? Проще говоря, представьте, что робот оказался в какой-то ситуации, но похоже, что эта ситуация похожа на то, что он испытывал раньше. Итак метод, основанный на политике, гласит: поскольку я предпринимал действие (a) в этой..