LunarLander-v2 的8个状态4个动作

最新推荐文章于 2024-01-26 23:09:25 发布
最新推荐文章于 2024-01-26 23:09:25 发布
阅读量3.3k 收藏 4
点赞数 1
分类专栏： AI 文章标签： 深度强化学习 openai gym LunarLander

    LunarLander-v2是强化学习常用的例子，根据官方文档，对它的描述大致为：“着陆平台始终位于坐标（0,0）。坐标是状态向量的前两个数字。从屏幕顶部移动到着陆台和零速度的奖励大约是100到140分。如果着陆器离开着陆台，它将失去回报。如果着陆器坠毁或停止，则回合结束，获得额外的-100或+100点。每脚接地为+10。点火主机每帧-0.3分。正解为200分。可以在着陆平台外着陆。燃料是无限的，所以智能体可以学会飞行，然后在第一次尝试时降落。四个独立的行动可用：什么都不做，发动左方向引擎，发动主机，发动右方向引擎。”

    LunarLander-v2 有8个状态，根据其源代码可知分别为：

  1. 水平坐标x
  2. 垂直坐标y
  3. 水平速度
  4. 垂直速度
  5. 角度
  6. 角速度
  7. 腿1触地
  8. 腿2触地

 

ironinfo
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
Reinforcement Learning(强化学习)-LunarLander-v2 环境介绍
phymat.nico的专栏
08-23 1618
Python强化练习之PyTorch opp算法实现月球登陆器_python_脚本中心 - 编程客栈在OpenAI Gym中用DQN玩月球着陆游戏 - 知乎https://www.jianshu.com/p/c1db5870fb1bReinforcement Learning(强化学习)-LunarLander-v2 环境介绍 | 文艺数学君深度强化学习系列(8): Prioritized Experience Replay(PER-DQN)原理及实现_旺财搬砖记的博客-CSDN博客
LunarLander-v2_DeepRL:基于OpenAI LunarLander-v2 DeepRL的解决方案（DQN，DuallingDQN，D3QN）
04-20
基于OpenAI LunarLander-v2 DeepRL的解决方案使用深度Q网络（DQN），决斗DQN和决斗双DQN（D3QN） 在硕士论文“基于DeepRL的室内移动机器人导航运动计划”的制定下进行的调查@ @系统与机器人研究所-科英布拉大学（ISR...
基于DQN和TensorFlow的LunarLander实现（全代码）
全栈O-Jay的博客
01-18 758
使用深度Q网络（Deep Q-Network, DQN）来训练一个在openai-gym的LunarLander-v2环境中的强化学习agent，让小火箭成功着陆。全代码！
【机器学习】强化学习（八）-深度确定性策略梯度（DDPG）算法及LunarLanderContinuous-v2环境训练示例...
最新发布
cxyhjl的博客
01-26 727
训练效果DDPG算法是一种基于演员-评论家（Actor-Critic）框架的深度强化学习（Deep Reinforcement Learning）算法，它可以处理连续动作空间的问题。DDPG算法描述如下：GPT-4 TurboCopilot GPT-4DDPG算法伪代码：深度确定性策略梯度（DDPG）算法，用于训练一个智能体解决OpenAI Gym中的LunarLanderContinuous-v...
07、基于LunarLander登陆器的DQN强化学习案例（含PYTHON工程）
weixin_44584198的博客
12-03 2024
其基本思想是创建一个额外的网络，通常被称为目标网络（Target Network），该网络的结构与主要网络相同，但其权重的更新是缓慢的，即它不会在每个步骤中都进行更新。这通常是通过将主要网络的权重与目标网络的权重进行某种形式的平均来实现的。能够得到的状态是一个8维向量，包括着陆器在x和y方向上的坐标、x和y方向上的线速度、角度、角速度，以及两个布尔值，表示每个着陆腿是否与地面接触。这就好像我们在高中学习的数组题目中，已经知道了an和an+1的关系式，去求解详细的an的表达式。开始学习机器学习啦，已经把。
Deep Reinforcement Learning入门 - DQN/Policy Gradient实现LunarLander-v2
KGV093的博客
12-20 2460
超参数设置参考：https://github.com/ranjitation/DQN-for-LunarLander/blob/master/dqn_agent.py 之前CartPole照着Deeplizard的教程做给做废了，于是换了OpenAI - Gym另外一个小游戏LunarLander，尝试自己从零实现DQN。 官方文档的描述如下： Landing pad is always at coordinates (0,0). Coordinates are the first two numbe
基于stable-baselines3的PPO和DQN训练LunarLander-v2
CCCDeric的博客
06-26 3725
基于stable-baselines3的PPO和DQN训练LunarLander-v2
pytorch-LunarLander:OpenAI Gym中针对LunarLander-v2环境的不同Deep RL算法的PyTorch实现
05-18
OpenAI Gym中针对LunarLander-v2环境的不同Deep RL算法的PyTorch实现 我们实施了3种不同的RL算法来解决LunarLander-v2环境： 模仿学习 加强 优势-演员-批评（A2C） 注意：模仿学习是在Keras中实现的，另外两种...
DeepReinforcementLearning：深度RL实施。 在pytorch中实现的DQN，SAC，DDPG，TD3，PPO和VPG。 经过测试的环境：LunarLander-v2和Pendulum-v0
02-13
离散环境：LunarLander-v2 连续环境：Pendulum-v0 DQN -- VPG -- DDPG -- TD3 -- SAC -- PPO -- 用法： 只需直接运行文件/算法。 在我学习算法时，它们之间没有通用的结构。 不同的算法来自不同的来源...
Deep-Q-Learning-Deep-SARSA-LunarLander-v2:将深度强化学习算法Deep SARSA和Deep Q-Learning应用于OpenAI Gym的LunarLander-v2
03-19
深度SARSA和深度Q学习-LunarLander-v2 环境 在这个项目中，我试图从OpenAI体育馆解决Lunar Lander环境。这是一个二维环境，其目的是教导登月舱模块安全地着陆在固定在点（0,0）的着陆垫上。该代理具有3个推进器：一...
LunarLanderContinuous-v2:月球着陆器连续版-v2
03-11
LunarLanderContinuous-v2:月球着陆器连续版-v2
Lunar_project:Gym.openai.comenvsLunarLander-v2的解决方案
04-07
Lunar_project gym.openai.com/envs/LunarLander-v2的解决方案 演示开始 pip install gym pip install box2d pip install tensorflow pip install keras git clone https://github.com/sunny3/Lunar_project cd Lunar_project python demonstration.py examples.py默认运行一个13集的长内存模型。 如果要切换到短短的2集，则应运行 python demonstration.py --mode short 在笔记本电脑的木星文件中介绍了使用代理类和详细注释训练网络（内存不足）的过程，还提供了图形和启动1集动画的功能 所有基本课程注释也都显示在木星笔记本文件中
World-Model-LunarLanderContinuous-v2-with-PPO
03-25
世界模型LunarLanderContinuous-v2-with-PPO
LunarLander:带有加速度计和用户帐户的月球着陆器
07-04
登月者 带有加速度计和用户帐户的月球着陆器
lunarlander:90分钟的榆树，月球着陆器
05-06
榆树的月球着陆器 月球着陆器克隆。 为2015年9月的“撰写。 建造 elm-make --output=index.html src/Main.elm …然后在浏览器中打开index.html 。
运行LunarLander-v2等gym游戏时候出现报错 AttributeError: module ‘gym.envs.box2d‘ has no attribute ‘LunarLander‘
weixin_45828082的博客
04-12 4139
安装box2d-py出现错误
基于stable-baseline3 强化学习DQN的lunar lander的稳定控制
ColinFhz的博客
12-08 1514
基于stable-baseline3 强化学习DQN的lunar lander的稳定控制
【强化学习】tensorflow2.0构造DDPG训练LunarLanderContinuous-v2
weixin_41369892的博客
02-08 2500
from tensorflow.keras import optimizers, layers, models, losses from collections import deque import matplotlib.pyplot as plt import tensorflow as tf import numpy as np import random import gym import copy # 配置GPU内存 physical_devices = tf.config.experiment
Lunar lander 环境构建代码阅读笔记
axis_xy的博客
11-11 1403
初始设置: FPS ， 重力大小，各个方向的power大小，初始随机性， 初始策略（一个六维数组）lander_poly[(-14,+17),(-17,0),(-17,-10),(+17,-10),(+17,0),(+14,+17)]. leg的初始设置，发动机的初始设置。 第一个类定义为ContactDetector(),这个类主要包含了一个检测是否有碰撞的函数，begincontact以及endcontact 第二个类为LunarLander类，这个类首先定义一个字典项metadat...
ppo lunarlander-v2
08-29
ppo lunarlander-v2 是一个强化学习算法中的环境，目标是训练一个智能代理实现控制月球着陆器正确降落的任务。ppo 是一种基于策略梯度的算法，用于优化这个代理的动作策略。 在 ppo lunarlander-v2 中，代理被放置在一个模拟的月球着陆场景中。代理可以观察到环境的状态，如着陆器的位置、速度和方向等，并基于这些信息做出决策。代理的目标是学习一个最优的策略，使着陆器能够平稳降落，并且避免与月球表面发生碰撞。 ppo 算法通过训练代理来提高其策略。在每个训练迭代中，代理与环境互动，并根据环境的反馈调整其策略。ppo 使用一种称为概率比例剪切的方法来确保策略改进的稳定性，并使用轨迹采样来收集样本用于优化策略。 在每个训练周期中，代理使用当前策略与环境进行交互，并收集轨迹数据。然后，代理使用这些数据计算策略的改进方向，并根据该方向更新策略参数。通过迭代该过程，代理逐渐改进其策略，以实现更好的月球着陆能力。 总而言之，ppo lunarlander-v2 是一个基于深度强化学习的环境，通过 ppo 算法训练智能代理实现控制月球着陆器正确降落的任务。这个算法通过优化策略参数，使代理逐渐改进其策略，最终实现有效的月球着陆能力。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值