本研究提出了一种新方法，通过结合轨迹草图和代理性能设计连续控制机器人的奖励函数，有效解决了奖励不匹配和黑客问题。实验结果显示，该方法在多项任务中的成功率达到70-80%，比传统方法提高了20-30%。

本研究提出了一种新方法SMOSE，旨在解决连续控制任务中的可解释性问题。通过结合多个可解释决策者和路由器，SMOSE提高了解释的便利性，并在多个基准环境中超越现有的可解释基线，缩小了与非可解释算法的差距。

本研究通过引入欧几里得对称性的数据增强方法，提高了强化学习在连续控制任务中的数据效率和性能。结果显示，该方法在多种任务中表现优异，具有重要应用潜力。

最新的语言模型对齐方法提出了一种离线强化学习优化，通过微调生成策略和任务注释，利用多样行为数据提升泛化能力。引入了一种名为Efficient Diffusion Alignment (EDA)的方法，解决连续控制问题，并扩展偏好对齐，使扩散行为与连续Q函数对齐。实验结果显示，EDA在整体性能上优于所有基准方法，即使只使用1%的Q标记数据，仍表现出色。

本文提出了一种统一框架，将贝尔曼方程中的随机性视为外部噪声的确定性函数，支持连续控制策略的学习。该框架提供了一系列策略梯度算法，从无模型到有模型的方法。算法仅需环境观察，减少模型误差影响。在随机控制问题和物理模拟中，SVG（1）变体展示了同时学习模型、价值函数和策略的有效性。

本文研究了学习策略中监督者变化的问题，提出了一种从收敛监督者进行模仿学习的方法。作者将该框架与DPI强化学习算法结合，在连续控制任务中表现优于深度强化学习基线，并实现了策略评估速度提升至80倍。

本文提出了一种统一框架，将贝尔曼方程中的随机性视为外部噪声的确定性函数，支持连续控制策略的学习。介绍了一系列策略梯度算法，从无模型到有模型的方法，仅需环境观察，减少模型误差影响。算法在随机控制问题和物理模拟中应用，特别是SVG（1）在连续领域中有效地学习模型、价值函数和策略。