Safe and Balanced: A Framework for Constrained Multi-Objective Reinforcement Learning
Rattachement africain : de, us, cn. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
In numerous reinforcement learning (RL) problems involving safety-critical systems, a key challenge lies in balancing multiple objectives while simultaneously meeting all stringent safety constraints. To tackle this issue, we propose a primal-based framework that orchestrates policy optimization between multi-objective learning and constraint adherence. Our method employs a novel natural policy gradient manipulation method to optimize multiple RL objectives and overcome conflicting gradients between different objectives, since the simple weighted average gradient direction may not be beneficial for specific objectives due to misaligned gradients of different objectives. When there is a violation of a hard constraint, our algorithm steps in to rectify the policy to minimize this violation. Particularly, We establish theoretical convergence and constraint violation guarantees, and our proposed method also outperforms prior state-of-the-art methods on challenging safe multi-objective RL tasks.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Safe and Balanced: A Framework for Constrained Multi-Objective Reinforcement Learning
- Date Crossref
- 01/05/2025
- Éditeur
- Institute of Electrical and Electronics Engineers (IEEE)
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Technical University of Munich Department of Informatics pays non établi dans la noticeUniversité ou école supérieure
-
University of California Department of Electrical Engineering and Computer Sciences pays non établi dans la noticeUniversité ou école supérieure
-
Virginia Tech pays non établi dans la noticeUniversité ou école supérieure
-
Vital Strategies pays non établi dans la noticeOrganisation à but non lucratif
-
Microsoft Research Asia (China) pays non établi dans la noticeEntreprise
-
Department of Electrical and Computer Engineering pays non établi dans la noticeInstitution
-
Cubist Systematic Strategies pays non établi dans la noticeInstitution
Department of Informatics — Technical University of Munich, Department of Electrical Engineering and Computer Sciences — University of California et Virginia Tech, avec 4 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.