Połączenie uczonej polityki (aktor) z funkcją wartości lub Q (krytyk), która dostarcza sygnał do aktualizacji polityki i może zmniejszać wariancję estymatora gradientu. Rodzina szeroko stosowana w sterowaniu ciągłym.
Combines a learned policy (actor) with a value or Q function (critic) that guides policy updates and can reduce gradient-estimator variance. A widely used family for continuous control.
To uczenie wyborów przy pomocy drugiego wyuczonego elementu, który ocenia ich przyszłe skutki.
This learns choices with help from another learned component that assesses their future consequences.
Sam wynik całej próby daje mało wskazówek, które kolejne decyzje warto poprawić.
A whole trial's outcome alone gives limited guidance about which individual decisions need improvement.
Jeden element wybiera działania, a drugi szacuje wartość sytuacji lub ruchu i dostarcza wskazówki do poprawiania tych wyborów.
One component chooses actions while another estimates situation or action values and provides guidance for improving those choices.
Robot ćwiczy chwytanie przedmiotu, a wyuczony oceniający element podpowiada, które zmiany ruchu rokują lepszy wynik.
A robot practises gripping an object while a learned evaluator indicates which movement changes promise a better outcome.