FERPO：前向熵正则化策略优化

FERPO提出了一种基于最大熵的在线强化学习算法，在MuJoCo Playground和ManiSkill上展现出竞争性性能并提升样本效率。 该算法通过最小化前向-KL目标拟合演员网络，利用自归一化重要性采样（SNIS）估计，且 actor 更新速度优于REPPO。 前向-KL目标鼓励覆盖多个高价值模式从而促进探索，区别于逆向-KL目标对目标分布子集的偏好。