Laboratório Grid World RL
Sandbox interativo de RL com Q-Learning, Value Iteration e Policy Iteration.
Um agente se move em uma grade 2D, recebe recompensas e aprende uma política que maximiza o retorno lidando com paredes e metas terminais.
- Q-Learning: atualização TD sem modelo com exploração epsilon-greedy.
- Value Iteration: backups de optimalidade de Bellman em todos os estados.
- Policy Iteration: alternância entre avaliação e melhoria de política.
Construtor do Mundo
Defina a grade, recompensas e condições iniciais.
x
Ferramentas
Recompensas
Simulação
Execute episódios e inspecione o comportamento do agente.
Info da execução
Acompanhamento ao vivo de episódios e retorno.
Modo: Inativo
Episódio: 0 / 0
Passos (episódio): 0
Último retorno: -
Política e valores
Setas indicam ações gananciosas a partir de Q ou atualizações baseadas em modelo.
Notas do algoritmo
- Q-Learning atualiza valores de ação online com alvos bootstrap.
- Value Iteration calcula valores ótimos com backups de Bellman.
- Policy Iteration alterna avaliação e melhoria até convergir.