无非两种方案:
完成这次交互,也就是超过这一次规定的迭代步数直到done,这样做会使每一次迭代更新时的交互step不同,比较不同算法在相同的step性能如何时略显不公平不完成这次交互,这样会使最后一步的step采用gae对adv估值存在近似。 在John Schulman’s 程序中,对V估值采用这种方式:
V(s_t+1) = {0 if s_t is terminal
{v_s_{t+1} if s_t not terminal and t != T (last step)
{v_s if s_t not terminal and t == T
也就是最后一个step如果不是终止状态,则它下一状态的V估值为当前状态的V估值 在有的程序中,也采用V神经网络下一状态的值作为对下一状态的V函数估值。
参考:https://zhuanlan.zhihu.com/p/207435700