本文提出基于不确定性的偏好规划方法(UBP2),通过联合推理奖励、动态和价值函数的不确定性主动引导探索,在Meta-World基准上实现了比现有基线更高的样本效率。
机构:多伦多
来源:arXiv 2606.19328 | AI4Papers 论文推荐平台