因為環境的部分可調查性，經過REIN-EAD結構改善Swin-S模型，4）。經過對立練習或輸入凈化等手法完成對有害畫面的“被迫防衛”，

面臨對立進犯，構建具有時刻一致性的魯棒環境表征，經過REIN-EAD結構改善IResNet50模型 ，

此外，處理了多步累積交互方針中的只能在回合結束時取得獎賞的稀少性問題，

它積累了多步相互作用的時刻一致性，為三維環境下的自動防護供給了一種有用且高效的處理方案。泛化強的防護才能

針對3D環境下對立練習核算開支巨大的應戰 ，2
，而不是只專心于單步
。

關于強化學習骨干
，經過約束戰略的巨細來完成安穩的戰略更新。然后有戰略地引導視覺體系履行方針驅動的自動感知使命。黑盒