DDPG连续控制

Unity带有RL的Reacher环境解决方案 介绍 该项目是用于解决Unity v0.4环境的深度确定性策略梯度强化学习算法的实现。 环境细节 在这种环境下，双臂可以移动到目标位置。 对于代理人的手在目标位置中的每一步，将提供+0.1的奖励。 因此，代理的目标是将其在目标位置的位置保持尽可能多的时间步长。 观察空间由33个变量组成，分别对应于手臂的位置，旋转，速度和角速度。 每个动作是一个带有四个数字的向量，对应于适用于两个关节的扭矩。 动作向量中的每个条目都应为-1和1之间的数字。 该环境由20个相同的代理组成，每个代理都有自己的环境副本。 要考虑解决此环境，特工必须获得+30的平均分数（连续100次以上以及所有特工均达到）。 具体来说， 在每个情节之后，我们将汇总每个代理商的奖励（不打折），以获得每个代理商的得分。 这将产生20个（可能不同）的分数。 然后，我们取这20个分