金字塔環境

此環境的目標是訓練我們的代理，使其拿到金字塔頂部的金磚。為此，它需要按下按鈕生成金字塔，導航到金字塔，將其推倒，然後移動到頂部的金磚。

獎勵函式

獎勵函式是

用程式碼表示如下：

為了訓練這個新的代理來尋找按鈕然後摧毀金字塔，我們將結合使用兩種型別的獎勵：

• 環境提供的外部獎勵（如上圖所示）。
• 以及一種稱為好奇心的內部獎勵。這第二個獎勵將促使我們的代理產生好奇心，或者換句話說，更好地探索其環境。

如果您想了解更多關於好奇心的資訊，下一節（可選）將解釋其基本原理。

觀察空間

在觀察方面，我們使用了148個射線投射，每個都可以檢測物體（開關、磚塊、金磚和牆壁）。

我們還使用了一個布林變數來指示開關狀態（我們是否開啟或關閉了開關以生成金字塔），以及一個包含代理速度的向量。

動作空間

動作空間是離散的，有四種可能的動作：

< > 在 GitHub 上更新