领域泛化策略：关于学习高效且鲁棒的 Q 值函数（含技术附录的扩展版）

学习具备领域泛化能力的策略是规划学习中的关键挑战。传统方法利用教师规划器生成的最优计划，通过监督学习训练基于图神经网络的状态价值函数。本文主张转而学习 Q 值函数，因其仅需处理当前状态而非所有后继状态，评估成本显著降低。针对直接监督学习 Q 值效果不佳的问题，我们引入正则化项以区分教师采取与未采取的动作。实验表明，该方法在十个领域中均优于状态价值策略，并与 LAMA-first 规划器具有竞争力。