强化学习 · 2015 · TRPO
Trust Region Policy Optimization
John Schulman et al.
通过近似信赖域约束控制策略更新幅度。
策略梯度信赖域KL 约束
复现空间 · 建议计划
研究 · 仿真实验 · 编辑建议，尚未实测
最小实验目标
比较不同 KL 限制下的回报曲线，并记录线搜索与约束满足情况。
数据集 / 环境
固定版本连续控制环境。
评估项
- Episode Return
- KL
- 约束违反次数
边界与常见偏差
Spinning Up 是教学实现；环境版本、终止处理和优势估计需与目标协议对齐。
实验验收协议
- 阅读原文，选定要对齐的具体表格、模型变体与数据划分；把缩小规模或替换组件单独列出。
- 核对作者资源的许可与依赖，锁定代码 commit、权重版本、硬件、随机种子和完整运行命令。
- 先完成数据与推理检查，再执行约定的实验；记录多次运行结果、资源消耗和失败案例。
- 提交可核验的代码、配置、日志与报告。原论文数值须注明表格和协议，当前指标必须附实际运行证据。
实验记录
- 原论文对齐目标
- 待认领后选定具体表格与评估条件
- 社区复现指标
- 暂无已验证结果
暂无实验日志与复现报告。收录此论文不表示社区已完成训练或评估；后续记录通过仓库 Issue 和 Pull Request 补充。