Pourquoi le Q-learning est-il difficile dans un robot réel ?
Le Q-learning est difficile sur un robot réel parce que chaque essai coûte du temps, use le matériel et peut provoquer une collision avant que la stratégie soit apprise.
Domaine de connaissance
Affiner le parcours
Choisissez une branche plus précise ou continuez avec toutes les réponses ci-dessous.
Questions du domaine
20 résultats
Le Q-learning est difficile sur un robot réel parce que chaque essai coûte du temps, use le matériel et peut provoquer une collision avant que la stratégie soit apprise.
Le Q-learning apprend la valeur d’une action dans un état en comparant ses récompenses, avec une exploration bornée et des garde-fous avant tout essai réel.
L’exploration permet à l’acteur d’essayer des actions nouvelles, mais elle doit rester bornée pour ne pas mettre le robot ou son environnement en danger.
Avant d’utiliser un acteur-critique sur un robot réel, on compare ses décisions à des règles sûres et on vérifie ses réactions dans des scénarios inconnus.
Une méthode acteur-critique sépare un acteur, qui choisit une action, d’un critique, qui estime si cette action mène à un bon résultat.
L’exploration essaie des actions nouvelles, tandis que l’exploitation réutilise celles qui ont déjà donné de bons résultats.
Un algorithme de renforcement apprend une stratégie en essayant des actions et en utilisant un retour pour favoriser les comportements utiles dans un cadre défini.
Un épisode d’apprentissage commence dans un état, enchaîne des actions et se termine quand le but, l’échec ou une limite est atteint.
Une question plus précise ?