강화 학습

강화 학습이란 무엇입니까?

강화 학습(RL)은 에이전트가 환경과의 상호 작용을 통해 누적 보상을 최대화하는 방법을 학습하는 패러다임입니다. 에이전트는 조치를 취하고, 보상(또는 페널티)을 받고, 시간이 지남에 따라 개선되도록 정책을 업데이트합니다.

주요 개념

• 보상 신호 — 작업 진행 상황(예: 개체 파악, 목표 도달)을 나타내는 희박하거나 조밀한 피드백.
• 정책 — 관찰에서 행동으로의 매핑. 주로 신경망(예: PPO, SAC)입니다.
• 시뮬레이션-실제 — 시뮬레이션 교육을 받고 실제 로봇에 배포합니다. 도메인 무작위화는 격차를 해소하는 데 도움이 됩니다.

관련 자료

• 서비스로서의 RL 환경 — 팀을 위한 실제 RL 환경
• 시뮬레이션-실제 전송 — 시뮬레이션과 현실을 연결
• 데이터 서비스 — RL 미세 조정을 위한 실제 데이터