智能温室强化学习中的校准优先奖励组件审计

强化学习在温室气候控制中的应用日益受到关注，其能够以作物实验难以达到的速度和规模测试气候控制方案。然而，对于智能温室控制而言，单一的模拟器回报并不足够：种植者或控制工程师还需要了解策略何时进行加热、增施CO2、通风、湿度管理、部署保温幕或使用补光灯。为了应对这一挑战，研究人员提出了一种可复现的校准优先奖励审计框架，该框架能够使命名的温室控制奖励组件在模拟器训练、设施适应滚动、记录的自主温室挑战赛数据以及执行器规则蒸馏之间保持可比性。在GreenLight-Gym环境中，该框架将标量奖励分解为条件温度项、CO2项、湿度与蒸汽压差项、保温幕项以及执行代理近似项。此外，该框架还将GreenLight模拟器适配至第二届自主温室挑战赛记录的气候轨迹，并基于相同组件对记录的温室数据进行评分。这一工作为温室强化学习控制提供了一种系统化的审计方法，有助于提升奖励设计的可解释性和可靠性，为实际应用中的政策评估与优化奠定了基础。该论文于2026年7月12日提交，共28页，包含8张图，主题为人工智能。通过将奖励分解为可解释的组件，该框架使得研究人员和工程师能够更深入地理解强化学习策略的行为，从而在不同场景下实现更一致的评估和比较。