文章预览
尽管极度样本效率低下，但基于策略的强化学习（即策略梯度）已成为解决决策问题的基本工具。随着基于GPU的模拟技术的最新进展，收集大量用于强化学习训练的数据的能力呈指数级增长。然而，我们展示了当前的强化学习方法（例如PPO）在并行环境的利用方面存在瓶颈，其性能在达到一定点后会饱和。为了解决这个问题，我们提出了一种新的基于策略的强化学习算法，能够通过将大规模环境分块并通过重要性采样将它们融合回去，来有效利用这些环境。我们称这种算法为SAPG。SAPG在各种具有挑战性的环境中表现出显著更高的性能，而在这些环境中，传统的PPO和其他强基线方法未能达到高性能表现。更多信息请访问： https://sapg-rl.github.io。 专知便捷查看 便捷下载 ，请关注 专知 公众号（点击上方 蓝色 专知关注） 后台回复或发消息“ SAPG ” 就可
………………………………
