在您链接的答案中，我可能使用了“轨迹”的非正式定义，但与引用基本相同。“轨迹”是在一组连续的时间戳上、从单个情节或连续问题的单个部分发生的事情的序列（就状态、动作、奖励而言）。

所以$(s_3, a_3, r_4, s_4, a_4, r_5, s_5, a_5, r_6, s_6)$取自在问题环境中使用代理的任何场景都将是一个轨迹 - 至少正如我在答案中所预期的那样。这可能来自真实世界的数据或模拟。它可能涉及完全随机或未经训练的代理，或完全优化的策略。

在您发现的另一个定义中，对状态和视野的关注可能会使它略有不同，但实际上我怀疑这是同一件事，因为只知道状态并没有那么有用。Quora 的答案可能只是使用“代理通过状态空间的路径”作为描述相同数据的简写。

强化学习中的“地平线”是相对于时间步长的未来点，超出该时间点您不关心奖励（因此您将时间的奖励相加$t$到$t+H$）。固定范围可以用作折扣因子的替代方法，以限制连续问题中的奖励总和。它们也可以用于其他方法，但基本上意味着相同的事情 - 一个时间步长，超出该时间步长，您不会考虑发生的事情。

尼尔的回答很好，但我注意到严格翻译以下 Quora 的回答声明

在强化学习术语中，轨迹$\tau$是代理通过状态空间直到地平线的路径

我们得到$\tau = \{ s_{t} \}_{t \in [t_{0}, t_{H}]} \quad s_{t} \in \mathcal{S}$和

• $\mathcal{S}$状态空间
• $t_{0}$初始时间
• $t_{H} > t_{0}$与特定事件相关的时间$H$

所以根据 Quora 的回答作者，它应该只是状态的时间序列（没有动作和奖励）

轨迹只是一系列状态和动作。在 RL 中，目标是通过找到正确的轨迹来最大化奖励。

这意味着最大化不是立即奖励（由一个状态的一个动作引起），而是累积奖励（所有状态和动作：轨迹）