概念Policy Network / π网络
策略网络
强化学习与机器人控制中用于从观测状态映射到动作的神经网络，传统策略网络因空间不对齐难以直接组合完成长序列任务。
核心事实
时间轴 (近 90 天)
10月25日
在四足机器人的强化学习步态控制中，策略网络通常将关节位置、关节速度、机身姿态以及足端接触状态等作为观测输入。
待验证50%
10月14日
BETS在训练中联合优化信念模型（GDE）、策略网络和值网络，信念模型的损失是最小化生成分布与真实隐藏状态之间的差异，常用负对数似然或最大均值差异。
待验证50%
10月14日
传统强化学习与端到端范式中，策略网络（π）普遍无法直接拼接，例如分别训练的抓取（π1）、移动（π2）、放置（π3）网络因观测空间、动作空间及中间状态难以对齐，极难直接串联完成长序列任务。
待验证50%
9月28日
决策模型的输出往往是有限动作集合中的一个标签或概率分布，类似于强化学习中的策略网络，而生成模型需要在巨大词汇表上进行自回归采样
已验证65%
全部知识事实 (4)
已验证
决策模型的输出往往是有限动作集合中的一个标签或概率分布，类似于强化学习中的策略网络，而生成模型需要在巨大词汇表上进行自回归采样
65%待验证在四足机器人的强化学习步态控制中，策略网络通常将关节位置、关节速度、机身姿态以及足端接触状态等作为观测输入。
50%待验证BETS在训练中联合优化信念模型（GDE）、策略网络和值网络，信念模型的损失是最小化生成分布与真实隐藏状态之间的差异，常用负对数似然或最大均值差异。
50%待验证传统强化学习与端到端范式中，策略网络（π）普遍无法直接拼接，例如分别训练的抓取（π1）、移动（π2）、放置（π3）网络因观测空间、动作空间及中间状态难以对齐，极难直接串联完成长序列任务。
50%