深度分析 RoAd‑RL：統一對抗性強化學習基準與模組化工具箱 隨著深度強化學習在機器人與自動駕駛等領域的應用日增，對抗性擾動成為安全瓶頸。研究者推出 RoAd‑RL 框架，統一政策、攻擊、防禦與衡量指標，並在 LunarLander 與 Highway‑v0 兩大環境測試 192 種組合，發現防禦效果差異大，時間平滑最具韌性。此套件為對抗性強化學習提供可重現基準，預計加速相關安全驗證與商業部署。
