Cilj agenta je da se pozicionira na parking mesto za najkraći vremenski period. Na putu do parking mesta mogu da se nalaze prepreke koje agent mora da izbegne.
Akcije agenta su: ubrzaj, uspori, skreci_levo, skreci_desno
Agentu je poznat položaj u okruženju, njegova brzina, udaljenost do parking mesta i udaljenost od prepreka. Udaljenost od parking mesta će agentu biti poznata iz okruženja, a udaljenost od mogućih prepreki će biti poznata na osnovu "senzora".
Algoritmi
Deep Deterministic Policy Gradient (DDPG)
Proximal Policy Optimization (PPO)
Metrika za merenje performansi
Funkcija koja vraća nagradu na osnovu udaljenosti agenta od cilja, vremena koje je prošlo od početka simulacije i eventualnih neželjenih kolizija sa preprekama.
Validacija rešenja
Agent se pozicionira na parking mesto bez kolizije sa preprekama za najkraće moguće vreme.
Student
Asistent
Problem koji se rešava
Algoritmi
Metrika za merenje performansi
Validacija rešenja