generalized_advantage_estimate

class torchrl.objectives.value.functional.generalized_advantage_estimate(gamma: float, lmbda: float, state_value: Tensor, next_state_value: Tensor, reward: Tensor, done: Tensor, terminated: torch.Tensor | None = None, *, time_dim: int = - 2)

軌跡的廣義優勢估計。

有關更多背景資訊，請參閱「使用廣義優勢估計進行高維連續控制」https://arxiv.org/pdf/1506.02438.pdf。

參數:

• gamma (純量) – 指數平均折扣。

• lmbda (純量) – 軌跡折扣。

• state_value (Tensor) – 具有 old_state 輸入的值函數結果。

• next_state_value (Tensor) – 具有 new_state 輸入的值函數結果。

• reward (Tensor) – 在環境中採取行動的回報。

• done (Tensor) – 軌跡結束的布林標誌。

• terminated (Tensor) – 指示 episode 結束的布林旗標。如果未提供，預設為 done。

• time_dim (int) – 時間展開的維度。預設為 -2。

所有 tensors (values、reward 和 done) 必須具有 [*Batch x TimeSteps x *F] 的形狀，其中 *F 是特徵維度。