Megerősítéses tanulás dinamikus útvesztőkben

Abstract

A dolgozatomban a megerősítéses tanulás alkalmazását vizsgálom dinamikus útvesztő környezetben. A projekt célja, hogy az ágens három fokozatosan nehezedő pályát kell sikeresen teljesítenie. Az első szint viszonylag egyszerű, a második szintben a nehézséget a mérete okozza, végezetül a harmadik pályán a dinamikusságot falak mozgásaként hoztam be. A környezeteket a Unity motor segítségével hoztam létre és az ML-Agent keretrendszerrel végeztem a tanítást. Kitérek a megerősítéses tanulás alapjaira, részletezem miért is útvesztő és nem labirintus. Ismertetni fogom a környezet felépítését, milyen tanítási stratégiákat alkalmaztam, valamint, hogy milyen hibákba ütköztem közben. Az adatok elemzésére a TensorBoardot használtam és így tettem említést az eredményekről összehasonlítva a környezeteket.