RADPO：面向安全的可达性感知扩散策略优化方法

RADPO 提出一种免模型的扩散策略优化方法，将预测首达安全估计与累积成本预算反馈结合，用于安全感知的连续控制强化学习。该方法学习折扣首达可达性值来塑造奖励，并用对偶式乘子按实际回合成本相对预算调整塑形强度，无需学习动力学模型、动作梯度或反向扩散采样器求导。在十项连续控制安全任务上，RADPO 取得有竞争力的奖励-成本权衡，多个任务的约束违反显著低于对比基线。