關于強化學習骨干，明顯進步了體系面臨不知道進犯時的辨認與呼應才能。運用Pytorch3D對OmniObject3D三維掃描物體數據集進行可微分烘托，然后對對立擾動具有魯棒性 。在面臨不知道進犯與自適應進犯時相同表現出色，

依據累計信息探究的強化學習戰略

論文擴展了部分可調查馬爾可夫決議計劃進程（POMDP）結構以正式描繪REIN-EAD結構與環境的相互作用。

比較之下 ，該模型經過循環結構充分運用與環境交互取得的序列信息 ，然后進步體系對潛在要挾的辨認與適應才能。生成用于操控下一步感知行為的動作信號 ，

首要奉獻

（1）提出REIN-EAD模型
，進一步驗證了本文辦法在安全要害體系中的運用潛力 。然后完成對雜亂視覺輸入的魯棒了解；

戰略模型則依據感知模型構建的內部環境了解，成果標明在三個使命上REIN-EAD的作用都優于SAC、鼓舞智能體到達信息豐厚且魯棒的認知狀況 ，以處理3D環境中對立練習的核算開支 。隱變量空間下的白盒 、

△圖2 ：貪婪信息探究或許導致重復探究

第二，

特別地，

REIN-EAD經過整合當時與前史觀測，補丁形狀、對方針進行接連調查和循環猜測 ，

該辦法強化了時刻上的一致性探究行為，圖3） 。以何種辦法繼續收集信息