Cracking the Code of Action: A Generative Approach to Affordances for Reinforcement Learning

本研究提出了一种名为“代码作为生成性拟态（CoGA）”的方法，旨在提高强化学习代理在稀疏奖励和大行动空间环境中的样本效率。通过利用预训练的视觉-语言模型生成代码，CoGA限制了代理的行动空间，从而提升学习效率。研究结果表明，CoGA在多个任务上表现出更高的样本效率。