當前強化學習RL發(fā)展的主要驅(qū)動力有3點：提高樣本效率、提升策略性能與泛化能力、解決更復(fù)雜的決策問題。而目前有關(guān)RL的創(chuàng)新也基本都是圍繞這些展開。

具體思路可分為4大類：核心方法與架構(gòu)的創(chuàng)新、解決特定問題范式的創(chuàng)新、融合領(lǐng)域知識與模型的新范式、邁向通用智能的探索?；靖采w了強化學習創(chuàng)新的核心方向，強烈推薦每一位想發(fā)論文的同學關(guān)注！

同時，為幫助大家快速上手，我根據(jù)這4個方向整理了161篇強化學習前沿論文，包含當下很香的“RL + X”類創(chuàng)新，開源代碼已附，相信各位看完后會有所收獲。

掃碼添加小享，回復(fù)“強化161”

免費獲取全部論文+開源代碼

核心方法與架構(gòu)的創(chuàng)新

專注于強化學習的 “算法骨架” 優(yōu)化，比如網(wǎng)絡(luò)結(jié)構(gòu)、基礎(chǔ)機制改進，不綁定特定問題或領(lǐng)域。

KalMamba: Towards Efficient Probabilistic State Space Models for RL under Uncertainty

方法：論文提出 KalMamba 方法，在強化學習中結(jié)合卡爾曼濾波與平滑，將線性高斯狀態(tài)空間模型嵌入 latent 空間，用 Mamba 學習動力學參數(shù)，通過并行關(guān)聯(lián)掃描實現(xiàn)高效推理，濾波信念用于策略學習，平滑信念用于模型訓練，在保證性能的同時提升計算效率，尤其適配長序列。

創(chuàng)新點：

• 融合概率與確定性狀態(tài)空間模型優(yōu)勢，提出KalMamba架構(gòu)，在潛在空間嵌入線性高斯SSM，用Mamba學習動力學參數(shù)。

• 基于并行關(guān)聯(lián)掃描實現(xiàn)時間并行卡爾曼濾波與平滑，濾波信念供策略學習，平滑信念保障模型訓練緊變分下界。

• 相比RSSM、VRKN等基線，在保證性能的同時，顯著提升計算效率，尤其適配長交互序列。

針對某一類明確問題（比如多目標、組合優(yōu)化），提出新的強化學習應(yīng)用模式。

Constrained Multi-objective Optimization with Deep Reinforcement Learning Assisted Operator Selection

方法：論文把深度強化學習和約束多目標進化算法結(jié)合，提出算子選擇框架。以種群的收斂、多樣、可行性為狀態(tài)，候選算子為動作，種群狀態(tài)提升為獎勵，訓練Q網(wǎng)絡(luò)選最優(yōu)算子，嵌入CMOEAs后能優(yōu)化算子選擇，提升算法性能且通用性更好。

創(chuàng)新點：

• 用深度強化學習設(shè)計算子選擇模型，以種群狀態(tài)為依據(jù)、候選算子為動作、種群提升為獎勵，解決約束多目標優(yōu)化的自適應(yīng)算子選擇問題。

• 構(gòu)建通用框架，可嵌入任意約束多目標進化算法，兼容多種候選算子，無需針對性重新設(shè)計。

• 該框架讓算法在42個基準問題上性能提升，比9種先進算法通用性強，且對參數(shù)不敏感、魯棒性好。

掃碼添加小享，回復(fù)“強化161”

免費獲取全部論文+開源代碼

融合領(lǐng)域知識與模型的新范式

將外部領(lǐng)域的專業(yè)知識（如物理定律）或?qū)Ｓ媚Ｐ腿谌霃娀瘜W習，增強領(lǐng)域適配性。

Reinforcement Learning with Physics-Informed Symbolic Program Priors for Zero-Shot Wireless Indoor Navigation

方法：論文提出物理信息程序引導(dǎo)強化學習（PiPRL）框架，將物理信息與強化學習結(jié)合。通過神經(jīng)感知模塊提取傳感器物理特征，用符號程序?qū)㈦姶挪ㄌ匦缘任锢硐闰炥D(zhuǎn)化為導(dǎo)航策略或約束，再用強化學習優(yōu)化低層控制，以此提升無線室內(nèi)導(dǎo)航的樣本效率和零樣本泛化能力。

創(chuàng)新點：

• 提出PiPRL框架，用符號程序?qū)⑽锢硐闰炥D(zhuǎn)化為策略或約束，讓物理信息直接參與強化學習。

• 設(shè)計三層架構(gòu)，通過神經(jīng)感知提取物理特征，符號程序輸出高層策略，強化學習優(yōu)化低層控制。

• 提升無線室內(nèi)導(dǎo)航的樣本效率（減少26%訓練時間），并實現(xiàn)零樣本泛化，適配未見過的場景。

以“突破任務(wù)邊界、提升泛化能力”為目標，追求更通用的決策或?qū)W習能力。

Semantic HELM: A Human-Readable Memory for Reinforcement Learning

方法：論文提出 SHELM 方法，將強化學習與大模型結(jié)合：用 CLIP 大模型把智能體視覺觀測轉(zhuǎn)成語義 tokens，再用語言模型存儲這些 tokens 作為可讀記憶，最后結(jié)合 PPO 強化學習讓智能體依當前觀測和歷史記憶決策，提升部分可觀測環(huán)境下的任務(wù)收斂速度與記憶可解釋性。

創(chuàng)新點：

• 用CLIP大模型把強化學習智能體的視覺觀測轉(zhuǎn)成可讀語義tokens，解決傳統(tǒng)記憶不可解釋問題。

• 用預(yù)訓練語言模型（如TransformerXL）存語義tokens作記憶，不用額外訓練且記憶可查看。

• 結(jié)合PPO強化學習，智能體靠當前觀測和歷史記憶決策，任務(wù)表現(xiàn)好，尤其Psychlab任務(wù)收斂快很多。

掃碼添加小享，回復(fù)“強化161”

免費獲取全部論文+開源代碼