摘要

在基于价值的强化学习方法中，如深度Q学习，函数逼近误差已知会导致价值估计过高和次优策略。我们证明了这一问题在演员-评论家（actor-critic）框架中仍然存在，并提出了新的机制以最小化其对演员和评论家的影响。我们的算法基于双Q学习（Double Q-learning），通过取一对评论家之间的最小值来限制过估计。我们探讨了目标网络与过估计偏差之间的联系，并建议延迟策略更新以减少每次更新的误差并进一步提升性能。我们在OpenAI Gym任务套件上评估了我们的方法，在所有测试环境中均超越了现有最先进水平。