td0_advantage_estimate

class torchrl.objectives.value.functional.td0_advantage_estimate(gamma: float, state_value: torch.Tensor, next_state_value: torch.Tensor, reward: torch.Tensor, done: torch.Tensor, terminated: torch.Tensor | None = None)

軌跡的 TD(0) 優勢估計。

也稱為 bootstrapped Temporal Difference 或一步回報。

引數：

• gamma (scalar) – 指數平均折扣因子。

• state_value (Tensor) – 使用 old_state 輸入得到的值函式結果。

• next_state_value (Tensor) – 使用 new_state 輸入得到的值函式結果。

• reward (Tensor) – 在環境中執行動作獲得的獎勵。

• done (Tensor) – 軌跡結束的布林標誌。

• terminated (Tensor) – 回合結束的布林標誌。如果未提供，預設為 done。

所有張量（值、獎勵和 done）必須具有 [*Batch x TimeSteps x *F] 的形狀，其中 *F 是特徵維度。