本文研究了高维连续动作空间中参数化强化学习策略的挑战，提出了一种多模式策略框架，通过条件化策略于潜变量，导出了新颖的变分下界作为优化目标，以促进环境的探索。提出了重新参数化策略梯度（RPG）方法，能够避免局部最优值并解决稀疏奖励环境的挑战。实证结果表明，该方法优于以前的方法。

本文研究了高维连续动作空间中参数化强化学习策略的挑战，提出了多模式策略框架和重新参数化策略梯度方法。实证结果表明该方法在各种任务中优于以前的方法。