Retour aux projets
TerminéRL & RobotiqueÉquipe de 4
Agent taxi autonome
Agent de navigation autonome comparant Q-Learning, SARSA, Policy/Value Iteration et DQN.
95 %
Taux de succès DQN
8,5/10
Récompense moyenne
< 2 h
Convergence complète
Stack
PythonOpenAI GymPyTorchDQNQ-LearningNumPyTensorBoard
- Conception d'une fonction de récompense équilibrée pour guider l'apprentissage
- Optimisation des hyperparamètres pour chaque algorithme testé
- Gestion du compromis exploration/exploitation dans l'apprentissage
- Système de récompenses progressives et de pénalités adaptatives
- Grid search et random search pour l'optimisation des hyperparamètres
- Stratégie epsilon-greedy avec décroissance adaptative
- Stabilisation de l'entraînement DQN avec replay buffer et target network
- Comparaison complète de plusieurs algorithmes d'apprentissage par renforcement (Q-Learning, SARSA, Policy/Value Iteration, DQN)
- DQN atteignant 95 % de taux de succès
- Convergence stable en moins de 2 heures d'entraînement
Une question sur ce projet ?
Me contacter