モデルベースの強化学習による離散-連続ハイブリッド行動空間の最適化

本論文では、パラメータ化された行動空間(離散-連続ハイブリッド行動空間)に対するモデルベースの強化学習アルゴリズムDLPAを提案する。DLPAは、パラメータ化された行動に依存した遷移モデルを学習し、修正されたModel Predictive Path Integral制御を用いて計画を行う。理論的な分析と実験的な評価により、DLPAが既存のパラメータ化された行動空間の強化学習手法に比べて、サンプル効率と漸近的な性能において優れていることを示す。