ترجمه فارسی مقاله روشی برای انتقال سریع خودمختاری در یادگیری تقویتی

چکیده

This paper introduces a novel reinforcement learning (RL) strategy designed to facilitate rapid autonomy transfer by utilizing pre-trained critic value functions from multiple environments. Unlike traditional methods that require extensive retraining or fine-tuning, our approach integrates existing knowledge, enabling an RL agent to adapt swiftly to new settings without requiring extensive computational resources. Our contributions include development of the Multi-Critic Actor-Critic (MCAC) algorithm, establishing its convergence, and empirical evidence demonstrating its efficacy. Our experimental results show that MCAC significantly outperforms the baseline actor-critic algorithm, achieving up to 22.76x faster autonomy transfer and higher reward accumulation. This advancement underscores the potential of leveraging accumulated knowledge for efficient adaptation in RL applications.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله یک استراتژی جدید یادگیری تقویت کننده (RL) طراحی شده است که برای تسهیل انتقال سریع استقلال با استفاده از توابع ارزش منتقد از پیش آموزش از محیط های مختلف طراحی شده است.بر خلاف روشهای سنتی که نیاز به آموزش گسترده یا تنظیم دقیق دارند ، رویکرد ما دانش موجود را ادغام می کند و یک عامل RL را قادر می سازد تا بدون نیاز به منابع محاسباتی گسترده ، به سرعت با تنظیمات جدید سازگار شود.مشارکتهای ما شامل توسعه الگوریتم بازیگر چند انتقادی (MCAC) ، ایجاد همگرایی آن و شواهد تجربی است که نشان دهنده اثربخشی آن است.نتایج تجربی ما نشان می دهد که MCAC به طور قابل توجهی از الگوریتم اصلی بازیگر-انتقادی بهتر عمل می کند و به انتقال سریعتر خودمختاری 22.76 برابر و تجمع پاداش بالاتر می رسد.این پیشرفت بر پتانسیل اعمال دانش انباشته شده برای سازگاری کارآمد در برنامه های RL تأکید می کند.