SafeExplorer: Um Gradiente de Política Não Enviesado para Aprendizado por Reforço com Intervenções de Recuperação

arXiv:2607.08925v1 Tipo de Anúncio: novo Resumo: Treinar agentes de aprendizado por reforço diretamente em robôs físicos torna cada queda custosa, já que uma queda pode danificar a plataforma e não pode ser desfeita como a reinicialização de um simulador; o objetivo é, portanto, minimizar as quedas durante o treinamento, em vez de contrabalanceá-las com o retorno, como fazem as formulações de processo de decisão de Markov (MDP) com restrições. Uma mitigação padrão passa o controle para uma política de recuperação separada sempre que o agente deixa uma região segura especificada pelo projetista...