本文介绍了一个使用强化学习方法——Q Learning训练机器人在迷宫中自动寻路的项目。通过Gym库提供的迷宫环境，机器人通过不断尝试和学习更新Q Table，最终达到在100次连续尝试中平均得分1的目标。文章阐述了Q Learning的基本概念、Q Table的构建以及探索与利用策略，并预告将在下篇中实现具体的算法代码。
本系列文章的目的是要实现一个可以自动寻找迷宫路径的机器人，我们将会使用强化学习的方法训练一个机器人，它最终能够在一个迷宫中找到正确的路径，最终到达出口，而不会掉到坑里。我们要使用到的强化学习方法为Q Learning，它是最简单的一种强化学习方法。本系列将包含两篇文章。
在这第一篇文章中，我们将首先针对要实现的项目进行一个描述，来提出我们的问题，然后针对Q Learning做一个详细的解释，而在第二篇文章，我们将实际操练起来，实现Q Learning算法，从而训练出一个可以自动寻路的机器人。
1. 项目描述
假设我们有下图这样一个迷宫，在迷宫中，我们的机器人是那个红色的图标，S代表迷宫的入口，迷宫中有一些坑(图中的H - hole)，当机器人掉下去以后就会摔坏，需要重新开始游戏，图中的F就是普通的地面，机器人可以正常的站在上边并从上边通过，我们的目的是，让机器人能够自动的寻找一条不掉到坑里的路径，能够到达迷宫出口G位置。
幸运的是，python里边有一个现成的库已经帮我们把迷宫游戏做好了，我们将专注于实现一个强化学习机器人来玩这个迷宫游戏。
Gym库就是帮我们提供迷宫游戏的库，它是一个专门供人们学习强化学习的库，里边带来很多经典的游戏或问题，可以通过强化学习解决，我们用到的迷宫就是其中之一，
最低0.47元/天 解锁文章
2813
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
