页面加载中…
搜索中文正文和常见中英文技术词，按教程、项目、面试题筛选。
「分层强化学习」找到 5 条内容
按专题浏览 →匹配标题与标签：… Agent 如何建模与规划? 用 MDP/POMDP、分层策略、世界模型与执行后重规划组织长期目标 RLHF与对齐 长周期任务 分层强化学习 稀疏奖励 信用分配 世界模型 2026真题 长周期 Agent 建模 Agent 长期规划 MDP POMDP 世界模型规划 强化学习与RLHF 美团
匹配正文：…ction 处理低层变化；Option 本身包含启动集合、内部策略和终止条件，执行期间仍由内部策略逐步选择原子动作。 机制与边界 分层强化学习把长任务拆成不同时间尺度。HIRO中的高层输出目标，低层根据当前状态和目标产生动作。因为低层策略在训练中不断变化，旧轨迹对高层看到的“动作效果”会漂移，所以论文设计了离策略修正。这与“没有子目标空间”正好相反。Option 框架把一段闭环策略视为时间扩展动作，高层不必每个环境步都重选 option，但 option 的内部策略仍持续观察…
匹配正文：…DP 还是 POMDP。长视界困难至少包括探索、时间信用分配、部分可观测性和模型/模拟器偏差，不能用一个组件包办。 四类互补策略 分层强化学习：高层按较长时间尺度选择 option/子目标，低层执行原子动作；高层奖励评估子目标进度，低层奖励评估局部控制。关键是子目标可达、option 终止条件和层间非平稳。 课程学习：从较短任务、较少约束或较小环境开始，达到基于成功率、约束满足率和泛化集表现的门槛后提升难度；不能只看训练 loss。 奖励塑形：优先使用 potential-b…
学习内容与项目面试，在同一条路上。