通过混合 Q 函数实现不同状态—动作空间下的跨域强化学习

基于摘要分析。本文研究跨域强化学习（CDRL）中源域与目标域状态空间或动作空间不同、且域相似性难以预先判断所带来的迁移困难，提出 QAvatar，通过混合源域与目标域的 Q 函数并引入适当的权重衰减函数，利用源域知识辅助目标域学习。 核心机制是将两个域的价值估计结合，而不是仅依赖目标域学习。作者报告对 QAvatar 的收敛行为进行了刻画，并据此支持其可靠利用源域 Q 函数的结论。但摘要未给出跨域状态与动作如何对应、混合权重如何设定和衰减，以及收敛分析依赖的假设，尚不能确定该机制适用于哪些空间差异与域偏移。 作者报告，在包括运动控制和机械臂操作在内的多种 RL 基准任务上，QAvatar 展现出更好的跨域迁移能力，包括可能出现负迁移的情形。摘要未提供具体基准名称、对照方法、性能数值或数据预算；实验协议、消融及统计信息尚未验证，数据效率与负迁移缓解的幅度也有待全文核对。 该研究的主要对象是跨域强化学习，而非 EEG 表征学习或 BCI 解码。其与闭环 BCI 控制的潜在联系仍需具体状态、动作、奖励及跨域对应关系支持，不能将机器人任务中的结果视为 BCI 有效性证据；已有 EEG 相关工作尚未检索确认。复现前需核对 Q 函数的获取方式、跨域映射条件、权重衰减规则、训练预算及实现可用性。