td0_advantage_estimate

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

轨迹的 TD(0) 优势估计。

也称为自举时间差分或单步回报。

参数:

• gamma (标量) – 指数均值折扣。

• state_value (Tensor) – 使用 old_state 输入的值函数结果。

• next_state_value (Tensor) – 使用 new_state 输入的值函数结果。

• reward (Tensor) – 在环境中采取行动的奖励。

• done (Tensor) – 轨迹结束的布尔标志。

• terminated (Tensor) – 剧集结束的布尔标志。如果未提供，则默认为 done。

所有张量（值、奖励和 done）的形状必须为 [*Batch x TimeSteps x *F]，其中 *F 为特征维度。