标签: #할인율

← 全部文章

• 强化学习的框架：通过乒乓球臂理解 MDP、状态·动作·奖励·折扣、策略与价值函数

  强化学习通过不断重复“观察状态—选择动作—获得奖励”的过程，来寻找能够最大化奖励之和的策略。本文将该框架（MDP）的五个要素一一对应到乒乓球臂上，并创建了将在第 11~15 篇中共同使用的玩具问题（Toy Problem）。我们在侧视二维环境中放置了一个 1 自由度的摆式球拍，并将 DeepMind 的真实击球数据用于发球。随机策略成功回球率为 1.5%，使用不了解旋转的模型在网格中搜索的经典规划器为 40%，相同动作空间的上限为 85

  2026-10-18 · 12 分钟阅读 #탁구 로봇#강화학습#MDP#가치 함수#할인율