Gaussian 정책이 심층 강화 학습 (RL)에서 연속 제어를 지배했지만, 경계가 없는 지지대로 인해 경계가 있는 행동 공간의 기하학을 왜곡하는 임시 스쿼싱 함수가 필요하다는 근본적인 불일치를 겪고 있다. von Mises-Fisher (vMF) 분포는 구에 대한 이론적 근거가 있는 대안을 제공하지만, Bessel 함수와 거부 샘플링에 의존하여 실용적인 채택을 방해한다. Geometric Action Control (GAC)는 계산을 단순화하면서 구형 분포의 기하학적 이점을 보존하는 새로운 행동 생성 패러다임이다. GAC는 행동 생성을 방향 벡터와 학습 가능한 집중 매개변수로 분해하여 결정론적 행동과 균일한 구형 노이즈 사이의 효율적인 보간을 가능하게 한다. 이 설계는 매개변수 수를 2d에서 d+1로 줄이고, vMF 거부 샘플링의 O(dk) 복잡성을 피하여 간단한 O(d) 연산을 달성한다. 경험적으로 GAC는 6개의 MuJoCo 벤치마크에서 최첨단 방법과 일치하거나 능가하며, Ant-v4에서 SAC보다 37.6% 향상되었으며 6개의 작업 중 4개에서 최고의 결과를 달성했다.
