本研究探讨了在线强化学习中如何在学习未知环境的同时满足安全约束，提出了针对受约束线性二次调节器的后悔界限，表明安全性提升了探索机会。

本文综述强化学习在最优控制中的应用，涵盖线性离散系统H∞控制、连续时间非线性控制、奖励函数设计、量子系统控制及车杆系统，重点讨论Q学习与策略梯度等方法在降低计算复杂度和提升样本效率方面的作用，并以线性二次调节器为例探讨学习与控制理论的融合及安全挑战。

本文综述强化学习求解线性二次调节器及控制问题的进展，涵盖无模型策略梯度的全局收敛与样本效率、基于局部线性模型的轨迹优化、折扣MDP中策略梯度的偏差及三种去偏方法、探索技术对目标平滑与梯度估计的影响、非线性系统的最优实例速率算法，以及模型驱动迁移学习提升机器人操作学习速度。