强化学习 - 机器人走迷宫
通过这篇文章，分享基于Udacity的机器人走迷宫项目，使用强化学习实现；
问题描述
规则、需求如下：
- 智能机器人显示在右上角，在迷宫中，有陷阱（红色炸弹）及终点（蓝色的目标点）两种情景，机器人要尽量避开陷阱、尽快到达目的地；
- 机器人可执行的动作包括：向上走 u、向右走 r、向下走 d、向左走 l；
- 执行不同的动作后，根据不同的情况会获得不同的奖励，具体而言，有以下几种情况；
- 撞到墙壁：-10
- 走到终点：50
- 走到陷阱：-30
- 其余情况：-0.1
- 通过修改 robot.py 中的代码，来实现一个 Q Learning 机器人，实现上述的目标；
算法Q-Learning
QLearning是强化学习算法中value-based的算法，Q即为Q（s,a）就是在某一时刻的 s 状态下(s∈S)，采取 动作a (a∈A)动作能够获得收益的期望，环境会根据agent的动作反馈相应的回报reward r，所以算法的主要思想就是将State与Action构建成一张Q-table来存储Q值，然后根据Q值来选取能够获得最大的收益的动作；
项目截图
项目总结
强化学习也是目前比较热门的方向，与传统ML不同的是，强化学习并不是数据贪婪性算法，即不需要预置大量的历史数据，而是通过不断的探索、更新、探索、更新的方式来不断的优化自身的策略，这一点相信在类似游戏AI的领域的应用是广泛的，当然，本文只是抛砖引玉，以QLearning这样一个简单易于理解的算法作为引导，更多的是想展示强化学习的应用场景、领域，为大家打开思路，如果大家需要完整浏览整个项目，可以直接在下面的项目链接找到，可以通过nbviewer浏览或者通过github直接下载下来运行，并调试各个参数看动态效果，相信动手后，会有更多体会；
项目地址
因为项目使用Jupyter写的，而目前博客园不支持iframe元素，因此无法很好的展示，大家可以直接生成的页面查看：
https://nbviewer.jupyter.org/github/NemoHoHaloAi/qlearning_maze/blob/master/robot_maze.ipynb
当然也可以直接去Github上找到：
https://github.com/NemoHoHaloAi/qlearning_maze
如果可以顺便Follow、Fork、Start，那就感激不尽了，后面会持续分享自己的一些工作、生活、学习上的收获，如果能对大家有一点点的帮助，那是最好不过的；