Home

Objectifs

1. Pouvoir facilement changer entre différents environnements (2 modes: simulation vs AVR)

• Agent reste le même
• Environnement interchangeable AVR vs simulation
• Switch facile entre les deux modes (vérification)

1. Bien géré sur AVR

• Léger en taille mémoire
• Allocation statique

1. Modulaire

• Possibilité de changer facilement la fonction de reward

Restrictions

(pour le moment)

1. Limité à un seul agent
2. Pas multi-paradigmes ie. seulement RL

• Éventuellement il faudrait intégrer procédural et FSM

Intégration possible dans RL-Glue

http://rl-glue.googlecode.com

RL-Glue propose un framework multi-langage pour le Reinforcement learning. Par exemple la RL-library est compatible avec: http://library.rl-community.org/

Je crois qu'il serait impossible d'utiliser RL-Glue "as is" car c'est un peu trop lourd (gros) mais d'après ce que je vois ça concernerait seulement quelques légers détails.

Voici les options:

1. Créer une version "lightweight-C++" de la librairie

• • Facile à faire
• +(?) Compatible avec RL-Glue (quoique ce n'est pas sûr car les codes écrits pour la librairie C++ ne seraient pas nécessairement compatibles avec notre librairie)
• • Pas orienté objet

2. S'inspirer simplement de la librairie

• • Facile à faire
• • Orienté objet
• • Pas compatible avec RL-Glue (mais c'est peut-être pas très grave)