Метод 3/6

Процесс состоит из трёх шагов.

• Оценить каждую симуляционную демонстрацию по целевым траекториям. Базовую политику запускают в целевой среде, и у каждого запуска есть собственная суммарная награда. Для каждой демонстрации функция влияния задаёт вопрос: если бы этой демонстрации присвоили больший вес, какие траектории https://t.co/dk7efn2noz