本研究探讨了高维连续动作空间中参数化强化学习的挑战，提出了一种多模式策略和重新参数化策略梯度（RPG）方法，以提高探索能力和数据利用率。实验证明，该方法在稀疏奖励环境中表现优越，有效避免局部最优，提升轨迹生成的稳定性与效率。

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。