基于深度强化学习的自适应控制器学习：从稀疏奖励到稠密奖励的跨层次迁移

本文提出一种基于深度强化学习的自适应控制器学习方法，通过跨层次奖励迁移，将稀疏奖励信号转化为稠密奖励。我们首先定义了一个抽象的控制任务，将其分解为多个子任务，每个子任务都有明确的奖励信号。然后，我们开发了一种层次化奖励设计框架，能够自动从稀疏奖励中提取更丰富的学习信号。进一步地，我们提出了一种基于模型的奖励迁移机制，将低层次经验迁移到高层次决策中。实验结果表明，我们的方法在多个复杂控制任务上实现了显著的性能提升，尤其在面对稀疏奖励环境时，学习效率得到了显著的提高。