淘宝客做二级域名网站,免费查公司信息的网站,DW怎么做招聘网站,软件开发的五个基本步骤前言
个人拙见，如果我的理解有问题欢迎讨论 (●′ω`●) 原文链接：https://www.ifaamas.org/Proceedings/aamas2024/pdfs/p2633.pdf
研究背景
深度强化学习（Deep Reinforcement Learning, DRL）在复杂和安全关键任务中取得了显著成果，例如自动驾驶。然而，DRL策略容易受…前言
个人拙见，如果我的理解有问题欢迎讨论 (●′ω`●) 原文链接：https://www.ifaamas.org/Proceedings/aamas2024/pdfs/p2633.pdf
研究背景
深度强化学习（Deep Reinforcement Learning, DRL）在复杂和安全关键任务中取得了显著成果，例如自动驾驶。然而，DRL策略容易受到观测噪声的干扰，这在安全关键环境中可能导致灾难性后果。例如，自动驾驶汽车在接收到对交通标志的对抗性扰动时（如一个被物理改变的停车标志被感知为限速标志）可能会导致严重的交通事故。
研究意义
目前已有的方法主要集中在通过正则化方法和“maximin”方法来提高DRL算法对观测扰动的鲁棒性。然而，正则化方法虽然可以减少攻击成功的概率，但一旦攻击成功，性能下降显著。而“maximin”方法虽然鲁棒性强，但过于保守。因此，本文研究了一种新的鲁棒性目标——遗憾（Regret），通过优化遗憾来在保证鲁棒性的同时不过于保守。 保守指的是在面临可能需要探索的场合时，智能体可能会偏向去执行奖励更大而不是结果更优的动作 摘要
本文提出了一种基于遗憾优化的方法来增强对抗性强化学习中的鲁棒性。我们定义并近似优化了一种新的遗憾度量，命名为累积矛盾期望遗憾（Cumulative Contradictory Expected Regret, CCER），并提出了三种优化方法： RAD-DRN（基于深度遗憾网络的对抗防御） RAD-PPO（基于近端策略优化的对抗防御） RAD-CHT（基于认知层级理论的对抗防御） 实验结果表明，这些方法在多个标准基准测试中均优于现有的最佳方法。 具体细节
对抗策略的训练
文章中提出了一个假设，带有了干扰的观测状态Z和真实状态S之间一定存在一个双射的函数，即一个Z一定只会对应一个S，通过这种方式，当干扰出现时，智能体能够利用这种映射关系，将当前的Z映射到S空间，这样的话就不会出现下面的情况： 在机械臂的抓取过程中，如果目标是红色方块，干扰是粉色方块，当遇到粉色干扰时，机械臂能够自行根据相应的算法，做出不同的动作来规避误抓取，这在下面会展开讨论 遗憾的定义
在对抗性强化学习中，遗憾被定义为在没有对抗干扰和存在对抗干扰的情况下，代理获得的期望值之差。具体来说，给定一个对抗性策略
