基于双仿真的稳定离线价值函数学习

本研究提出了一种新算法KROPE，用于解决离线价值函数学习中的不稳定性。KROPE通过相似的奖励和状态-动作对来优化表示，提高学习稳定性，减少价值误差，并提供理论稳定性保障。