MDP 机器人网格世界示例：应用值迭代来学习网格世界中机器人的策略。-matlab开发

应用值迭代来学习马尔可夫决策过程 (MDP) 的策略——网格世界中的机器人。 世界是自由空间 (0) 或障碍 (1)。 机器人每转一圈都可以向 8 个方向移动，或保持原地不动。 奖励函数给一个自由空间、目标位置、高奖励。 所有其他自由空间都有一个小的惩罚，障碍有一个很大的负奖励。 值迭代用于学习最佳“策略”，即分配一个控制输入​​到每个可能的位置。 视频在https://youtu.be/gThGerajccM 此功能将始终完美执行运动的确定性机器人与随机机器人进行比较，随机机器人从命令移动的角度移动 +/- 45 度的可能性很小。 随机机器人的最佳策略是避开狭窄的通道并尝试移动到走廊的中心。 来自“概率机器人”中的第 14 章，ISBN-13：978-0262201629， http : //www.probabilistic-robotics.org 亚伦贝克尔，2015 年