本研究基于视觉SLAM进行机器人路径规划的研究，主要工作包括构建基于ORB-SLAM3系统的密集点云地图、转换成适用于二维路径规划的格网地图、以及基于强化学习的路径规划算法研究。实验验证了设计的视觉SLAM系统的可行性和有效性，并对三种强化学习算法进行了比较验证，得到了最优算法。

该研究提出了一种基于结构信息原则的决策框架，利用无监督划分方法生成状态和动作的抽象表示，提高了单一和多智能体强化学习算法的性能。

本文综述线性二时间尺度随机逼近的收敛性研究：在马尔可夫噪声下分析其渐近收敛与有限时间收敛，给出样本复杂度及匹配下界，并应用于TDC、TD、GTD等强化学习算法。相关工作涵盖Polyak-Ruppert平均SGD的非渐近正态收敛、序贯蒙特卡罗的中心极限定理，以及深度学习梯度噪声呈重尾α稳定分布的观点。

本文介绍了使用最新的强化学习算法进行端到端驾驶研究的方法，通过使用前置摄像头的RGB图像，在真实赛车游戏中学习车辆控制，并在不同的道路结构、图形和物理特性下进行评估。结果表明该方法可以快速收敛和更稳健的驾驶，并在看不见的赛道上和法定车速下进行了广义化证明，同时显示出一定的领域适应能力。

controlgym是一个包含36个工业控制设置和10个控制问题的库，集成在OpenAI Gym/Gymnasium框架中，可应用强化学习算法。该项目旨在为学习动态和控制社区提供服务，并探索强化学习算法在学习控制策略、控制器稳定性和鲁棒性问题上的应用，以及在高维度和潜在无穷维度系统上的可扩展性。

本文研究了在预算下动作建议的转移学习模型，发现变异系数 (CV) 对选择生成建议策略具有重要意义。提出了一种新的强化学习算法，能够学习何时提供建议，适应于学生和任务。认为在预算下学习建议是一个更通用的学习问题的例子。

本文提出了一种强化学习算法来解决多智能体马尔可夫决策过程(MMDP)，通过黑韦尔的可接近性定理，目标是将每个智能体的时间平均成本降低到预先指定的特定界限以下。该算法在Q-learning算法中结合了每个智能体成本的加权组合，并使用了多个时间尺度的算法。实证结果表明，在具有联合控制的每个阶段成本的更一般的MMDP设置中，该算法表现良好。

本文研究了信息不对称对话中生成信息丰富问题的策略，并提出了一种基于启发式思考的提问策略。使用强化学习算法优化问题的信息丰富程度和特定性，结果显示此策略比其他模型更有效。

该研究使用“Sushi Go Party!”游戏建立了强化学习算法和学习记忆能力的基本标准，并量化了算法在不同纸牌组合上的普适性。同时，通过拟合决策规则对模型策略进行了解释和与人类选手的排名偏好进行了比较，发现了共同规则和新策略。

该研究提出了一种基于谱的方法，用于高效恢复矩阵的奇异子空间并实现最小逐项误差。同时，设计了两种充分利用低秩结构的强化学习算法，包括低秩赌博机问题的最小遗憾算法和低秩马尔可夫决策过程中的无奖励 RL 的最佳策略识别算法，两种算法均具有最先进的性能保证。

该文介绍了一种针对多人普遍和马尔可夫博弈中追随者为短视情况的强化学习算法，通过最小二乘值迭代来求得 Stackelberg-Nash 均衡。该算法在大状态空间的函数逼近工具中简单应用，并在具有线性函数逼近的情况下分别在在线和离线设置下证明了亚线性遗憾和亚最优性，为解决追随者为短视的普遍和马尔可夫博弈的 SNE 建立了第一个可以被证明高效的强化学习算法。

该文介绍了置信度条件价值函数的学习方法，能够在训练时学习不同的保守程度，并在评估时动态地选择其中一种。实验结果表明该方法在多个离散控制领域中的性能优于现有的保守离线强化学习算法。

本文介绍了使用最新的强化学习算法进行端到端驾驶研究的方法，通过使用前置摄像头的RGB图像，采用异步演员-评论家（A3C）框架，在真实的赛车游戏中学习车辆控制，并在不同的道路结构、图形和物理特性下进行评估。结果显示该方法能够快速收敛和更稳健地驾驶，并在看不见的赛道上和法定车速下进行了广义化证明，同时展示了一定的领域适应能力。

本文介绍了使用最新的强化学习算法进行端到端驾驶研究的方法，通过使用前置摄像头的RGB图像，在真实的赛车游戏中学习车辆控制，并在不同的道路结构、图形和物理特性下进行评估。结果表明该方法可以快速收敛和更稳健的驾驶，并在看不见的赛道上和法定车速下进行了广义化证明，同时显示出一定的领域适应能力。

DSAC是一种新的强化学习算法，利用积累奖励的分布信息提高性能。它集成了基本分布式目标观点，考虑了行动和回报的随机性，并在连续控制基准测试中超越了现有技术。此外，还探讨了三个与风险相关的度量标准，并通过分布建模实现了风险敏感的强化学习。