CERiL：基于事件的连续时间强化学习

本文探索事件相机在实现连续时间强化学习方面的潜力。我们形式化该问题：使用连续的未同步观测流为环境产生相应的输出动作流。这种缺乏同步的特性极大增强了反应性。我们提出一种在标准 RL 环境派生的事件流上训练的方法，从而解决所提出的连续时间 RL 问题。CERiL 算法使用直接作用于事件流而非将事件聚合成量化图像帧的专用网络层。我们展示了事件流相对于低频 RGB 图像的优势。所提系统优于 RL 中通常使用的网络，甚至能在传统方法无法解决的任务上成功。我们还展示了我们的 CERiL 方法相对于使用事件流的标准 SNN 基线的价值。