非对称在线策略蒸馏学习上下文探索

该论文提出 ASTEROID 学生-教师监督学习框架，用于在部分可观测条件下学习测试时探索行为。学生先在部分可观测环境中采集在线策略上下文，特权专家再基于该上下文给出动作标签，学生通过蒸馏这些标签学会在不确定时搜索、在隐状态揭示后利用。在 11 个环境（含离散探索基准、机器人操作、导航、Procgen）中，固定探索预算下回报约为基线 2 倍，交互次数比强化学习基线少约 100 倍；方法还将仿真策略迁移到无视觉的真实机器人操作，成功率比标准蒸馏提升 40%。