Domaine
Q-learning
Questions et réponses classées dans ce domaine de la robotique et de l’intelligence artificielle.
-
Pourquoi le Q-learning est-il difficile dans un robot réel ?
Le Q-learning est difficile sur un robot réel à cause du grand espace d’états, du coût des essais, des dynamiques continues, du bruit, des délais et des risques physiques.
-
Comment sécuriser l’exploration d’un robot qui apprend par Q-learning ?
Sécuriser l’exploration d’un robot par Q-learning impose actions admissibles, enveloppe de sécurité, simulation préalable, supervision, limites indépendantes et repli immédiat.
-
Comment évaluer une politique apprise par Q-learning ?
Évaluer une politique apprise par Q-learning demande scénarios séparés, comparaison à une référence, mesures de réussite, coût, robustesse, contraintes, généralisation et pire cas.
-
Qu’est-ce que le Q-learning pour un robot ?
Le Q-learning apprend une valeur pour chaque paire état-action et améliore progressivement une politique en comparant récompense reçue et meilleure valeur future estimée.
-
Comment fonctionne la mise à jour Q-learning ?
La mise à jour Q-learning rapproche la valeur d’une action de la récompense immédiate plus la meilleure valeur future, pondérée par le taux d’apprentissage et l’actualisation.