FERPO：前向熵正则化策略优化

研究者提出 FERPO（Forward Entropy-Regularized Policy Optimization），一种 on-policy 最大熵强化学习算法，其策略改进直接使用 critic 的价值而不对 critic 关于动作求导，以规避价值预测准确却动作导数不可靠的问题。该方法针对连续控制中依赖 critic 动作梯度更新策略的现有方法所存在的策略更新不可靠风险。