ODGR：在线动态目标识别

传统上，强化学习（RL）问题旨在优化智能体的行为。本文提出了一种新颖的强化学习应用，即用于学习另一个智能体的策略，以实现对该智能体目标的实时识别。目标识别（GR）传统上被定义为一个规划问题，必须根据观察到的行动来识别智能体的目标。最近的方法已经展示了如何将强化学习用作GR流程的一部分，但这些方法仅限于识别预定义的目标，并且在目标空间很大的领域中缺乏可扩展性。本文将“在线动态目标识别”（ODGR）定义为一个新问题，作为解决这些局限性的第一步。贡献包括：将动态目标的概念引入标准的GR问题定义中，通过使用ODGR重新审视常见方法，并展示了在导航领域中使用迁移学习解决ODGR的可行性。这些新颖的公式为未来扩展现有的基于迁移学习的GR方法打开了大门，使其能够适应不断变化和广阔的实时环境。