在之前的公众号文章中

RL解决'BipedalWalkerHardcore-v2' (SOTA)

RL解决'BipedalWalkerHardcore-v2' (SOTA) 更新

我们介绍了openai gym 环境'BipedalWalkerHardcore-v2'以及我们解决这个环境，达到效果和效率上的 state-of-the-art。

'BipedalWalker' 是连续控制问题，'LunarLander-v2' 是离散控制问题，我们使用maxsqn算法来解决，maxsqn是基于Q-值估计的算法，融合了double-Q learning和entropy regularization（SQL, soft Q learning）。算法的伪代码和实现可以参考我们的项目：

https://github.com/createamind/DRL

https://github.com/createamind/DRL/blob/master/video_pic/maxsqn.png

'LunarLander-v2'环境描述的是飞行器降落指定地点，根据降落的平稳程度和降落中使用的燃料来给agent打分。'LunarLander-v2'的observation是基于坐标的而不是图像，Q-network使用两个全连接层就可以解决。'LunarLander-v2'的解决要求是连续100次试验得分在200以上，我们的结果最少只需29个episodes（平均100个episodes）就能解决，比第二名快了一倍以上，learderboard链接：

https://github.com/openai/gym/wiki/Leaderboard#LunarLander-v2

另外，我们也跑了'LunarLander-v2'的连续版本'LunarLanderContinuous-v2'，同样达到了state-of-the-art：

https://github.com/openai/gym/wiki/Leaderboard#lunarlandercontinuous-v2

欢迎加入或支持我们 ：）