在SAC和TD3这类连续型动作空间对于不符合约束的动作如何处理，在奖励值添加罚函数的方法经常会导致算法无法稳定收敛，有没有其他方法？

    6 天 后

    使用tanh函数，将网络输出值映射到0至1，再映射到动作空间

      1 个月 后

      wzm 请问你是在某个状态下，某些连续动作不可选是吗

        选择动作与环境交互的时候mask掉，避免可行动作降为0可以在分布sample前加一个最小值。

        8 天 后
        2 个月 后

        请问您的问题解决了吗？

        说点什么吧...
        Document