大规模并行安全强化学习方法提出

研究者提出一种面向大规模并行训练的安全强化学习方法，解决短 rollout 与 CMDP 全回合成本约束不匹配的问题。该方法将错开的环境重置建模为短轨迹片段上的相位混合分布，并提出相位聚合成本估计器，从短 rollout 批次重建回合级成本估计，同时结合有限样本不确定性与分布失配的约束收紧框架，兼容 on-policy 优化。 基于 MJX 实现的 Safety Gym 实验显示，其性能与非大规模并行实现相当，同时大幅缩短实际训练时间。该工作已被 NeurIPS 2026 接收。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。