FERPO：前向熵正则化策略优化算法

Sebastian Sanokowski 等作者提出 FERPO，一种 on-policy 最大熵强化学习算法。它不通过对 critic 求动作梯度来改进策略，而是从熵与 KL 正则化的策略改进目标推导最优目标动作分布，再用自归一化重要性采样（SNIS）估计的前向 KL 目标拟合 actor。 作者在 MuJoCo Playground 和 ManiSkill 上的实验显示，FERPO 性能有竞争力并提升样本效率，actor 更新速度快于 REPPO。

AI 根据报道生成 · 48 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。