本文研究了强化学习中的安全探索问题，提出了多种方法（如shield和PLPG）以确保代理人安全操作并提高性能。实验结果表明，这些方法有效提高了收敛速度和最终表现，同时保障了学习和执行阶段的安全性。

该文综述了多种强化学习安全与效率方法：利用专家演示约束智能体行为以确保安全探索；通过群体引导、引导网络和离线学习提升稀疏奖励下的表现；引入人类在环、守护者干预及约束优化，兼顾探索与安全，并在离散、连续及机器人任务中验证有效性。