本文提出了一种新颖的密度感知安全感知（DASP）方法，旨在解决离线强化学习中的状态分布偏移问题。该方法通过鼓励代理选择数据密度更高的结果，提升决策过程的安全性和可靠性。

本文提出了一种新方法，结合拉格朗日引导的蒙特卡洛树搜索与全局双上升，解决大规模约束部分可观察马尔可夫决策过程（CPOMDPs）的在线问题。通过引入历史依赖的双变量，优化局部动作选择，增强探索效果与决策安全性。