潜在空间中深度强化学习方法研究综述

深度强化学习(DRL)是实现通用人工智能的一种有效学习范式,已在一系列实际应用中取得了显著成果.然而,DRL存在泛化性能差、样本效率低等问题.基于深度神经网络的表示学习通过学习环境的底层结构,能够有效缓解上述问题.因此,基于潜在空间的深度强化学习成为该领域的主流方法.系统地综述了基于潜在空间的表示学习在深度强化学习中的研究进展,分析并总结了现有基于潜在空间的深度强化学习的方法,将其分为潜在空间中的状态表示、动作表示以及动力学模型进行详细阐述.其中,潜在空间中的状态表示又被分为基于重构方式的状态表示方法、基于互模拟等价的状态表示方法及其他状态表示方法.最后,列举了现有基于潜在空间的强化学习在游戏领域、智能控制领域、推荐领域及其他领域的成功应用,并浅谈了该领域的未来发展趋势.