td0_advantage_estimate

class torchrl.objectives.value.functional.td0_advantage_estimate(gamma: float, state_value: torch.Tensor, next_state_value: torch.Tensor, reward: torch.Tensor, done: torch.Tensor, terminated: torch.Tensor | None = None)

TD(0) 軌跡優勢估計。

也稱為自舉時間差或單步回報。

引數:

• gamma (scalar) – exponential mean discount.

• state_value (Tensor) – 使用 old_state 輸入的值函式結果。

• next_state_value (Tensor) – 使用 new_state 輸入的值函式結果。

• reward (Tensor) – 在環境中採取動作的獎勵。

• done (Tensor) – 軌跡結束的布林標誌。

• terminated (Tensor) – 劇集結束的布林標誌。如果未提供，則預設為 done。

所有張量（值、獎勵和完成）都必須具有形狀 [*Batch x TimeSteps x *F]，其中 *F 是特徵維度。