智慧溫室強化學習中的校準優先獎勵元件審計

強化學習在溫室氣候控制中的應用日益受到關注，其能夠以作物實驗難以達到的速度和規模測試氣候控制方案。然而，對於智慧溫室控制而言，單一的模擬器回報並不足夠：種植者或控制工程師還需要了解策略何時進行加熱、增施CO2、通風、溼度管理、部署保溫幕或使用補光燈。為了應對這一挑戰，研究人員提出了一種可復現的校準優先獎勵審計框架，該框架能夠使命名的溫室控制獎勵元件在模擬器訓練、設施適應滾動、記錄的自主溫室挑戰賽資料以及執行器規則蒸餾之間保持可比性。在GreenLight-Gym環境中，該框架將標量獎勵分解為條件溫度項、CO2項、溼度與蒸汽壓差項、保溫幕項以及執行代理近似項。此外，該框架還將GreenLight模擬器適配至第二屆自主溫室挑戰賽記錄的氣候軌跡，並基於相同元件對記錄的溫室資料進行評分。這一工作為溫室強化學習控制提供了一種系統化的審計方法，有助於提升獎勵設計的可解釋性和可靠性，為實際應用中的政策評估與最佳化奠定了基礎。該論文於2026年7月12日提交，共28頁，包含8張圖，主題為人工智慧。透過將獎勵分解為可解釋的元件，該框架使得研究人員和工程師能夠更深入地理解強化學習策略的行為，從而在不同場景下實現更一致的評估和比較。