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。
「Model-based RL」找到 3 条内容
按专题浏览 →匹配正文：…d。环境可以是真实系统、规则或人工编写的模拟器、沙箱、用户模型，也可以是学习得到的 world model。Model-free RL 可直接在真实或模拟环境中学习策略而不显式学习动力学；model-based RL 才会学习或使用状态转移与奖励模型进行规划、数据生成或策略训练。 优势是能训练多步决策、工具使用、错误恢复和长期目标，并通过可执行环境获得比静态文本更接近结果的反馈。风险包括模拟器与现实分布差异、奖励漏洞、探索成本、安全边界、部分可观测、长程信用分配和环境非平稳。…
匹配正文：…tate。把最终目标分解为可验证子目标，但避免用容易刷分的过程代理替代真正成功。 三条可选技术路线 Model-free 与层级 RL：高层选择 option/子目标，低层执行原子动作；配合 n-step、GAE 或目标条件学习做信用分配。 Model-based planning：学习或使用环境模型预测后果。Dreamer 在 latent imagination 中训练 actor/critic；MuZero 学习表征、动力学和预测函数并用 MCTS 搜索，不能统一称为在…
匹配正文：…na-Q风格：真实样本训练World Model，模型生成虚拟样本补充训练 MPC规划：用模型做短期 rollout 辅助决策（如Model-Based RL） 优势：大幅降低真实环境交互成本，适合高成本场景（真实配送试错昂贵） 4. 环境随机化（Domain Randomization） 核心思想：训练时随机化环境参数（摩擦系数、订单密度、路网延迟），增强策略鲁棒性 与Sim2Real的关系：随机化是Sim2Real迁移的核心技术，让策略见过足够多"分布外"情况 美团落地：…
学习内容与项目面试，在同一条路上。