RL PPO 5×5 מאמן פגיעה במטרה : RB1001-05

RL PPO 5×5 Shooting Trainer : RB1001-05

Trains an AI agent with PPO reinforcement learning to move, aim, shoot a moving target, and learn from hit/miss rewards.

  1. התוכנית מדגימה מערכת למידת חיזוק מסוג RL המבוססת על אלגוריתם PPO.
  2. סביבת המשחק בנויה כלוח בגודל 5×5 תאים.
  3. הסוכן מסומן באות A ונמצא בשורה התחתונה של הלוח.
  4. המטרה מסומנת באות O ונעה מצד לצד בשורה העליונה.
  5. הסוכן יכול לבחור בין ארבע פעולות: להישאר במקום, לזוז שמאלה, לזוז ימינה או לירות.
  6. רשת ה-Actor מקבלת את מצב המשחק ומחליטה מה ההסתברות לכל פעולה.
  7. רשת ה-Critic מעריכה עד כמה מצב המשחק הנוכחי טוב עבור הסוכן.
  8. במהלך האימון PPO משווה בין הפעולות שבוצעו לבין הערך שה-Critic חזה.
  9. כאשר הסוכן מצליח לפגוע במטרה הוא מקבל Reward חיובי.
  10. פגיעה במטרה מעניקה לסוכן שכר של ‎+10 נקודות.
  11. כאשר הסוכן יורה ומחטיא את המטרה הוא מקבל Punishment.
  12. החטאה גורמת לעונש של ‎-10 נקודות.
  13. גם פעולות תנועה יכולות לקבל שכר או עונש קטן בהתאם לכיוון התנועה.
  14. תנועה לכיוון המטרה יכולה לקבל חיזוק חיובי קטן.
  15. תנועה מיותרת או תנועה הרחק מהמטרה יכולה לקבל עונש קטן.
  16. לכל צעד קיים גם מחיר קטן כדי למנוע מהסוכן לבצע פעולות מיותרות ללא סוף.
  17. הקליע מוצג על המסך ונע במהירות מהשורה החמישית לעבר השורה הראשונה.
  18. בצד המסך מוצגים מספר היריות, הפגיעות, ההחטאות, אחוז ההצלחה וערכי השכר.
  19. גרף בזמן אמת מציג פגיעה כערך חיובי מעל האפס והחטאה כערך שלילי מתחת לאפס.
  20. מטרת האימון היא לגרום לסוכן ללמוד מתי לזוז, מתי להמתין ומתי לירות כדי להגדיל את השכר המצטבר.