用于视觉条件无人机导航的自我精炼代理强化学习

针对深度强化学习依赖人工设计奖励函数及反复调优的问题，本文提出 AgenticRL 框架。该框架利用多模态生成式预训练 Transformer 代理解读任务与视觉信息，自动生成特定任务奖励函数，并通过 PPO 算法训练策略。代理充当评论家，通过诊断包评估策略并生成反馈，识别失败模式以在闭环中自我精炼奖励函数。推理阶段，代理根据实时图像和自然语言自动选择最佳策略。实验表明，闭环精炼使策略行为提升 71%，实机部署成功率达 91%，实现了高效的模拟到现实迁移。