CAR-MCTS：可扩展鲁棒MCTS规划框架

2026年10月14日，arXiv Artificial Intelligence 刊出研究，作者 Tomer Massas 与 Vadim Indelman 提出 CAR-MCTS，一种基于确定性边界的 MCTS 规划器，用于在不枚举完整状态空间的情况下进行鲁棒在线 MDP 规划。该工作对任意固定策略给出投影鲁棒值与真实鲁棒值之间差距的上下界，并借助鲁棒 Bellman 算子传播边界以约束最优鲁棒值；边界随采样支持扩大而收紧并收敛。方法利用这些确定性边界引导探索、剪除可证明次优的分支，并在最优根动作得到认证后终止。实验验证了边界的确定性、分支剪枝、根动作认证以及向最优鲁棒策略的收敛。报道称其为首个具备随时确定性最优性保证的可扩展鲁棒 MCTS 规划器。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。