-深度强化学习已成功应用于各种电脑游戏[8]。然而，它在实际应用中仍然很少使用，尤其是在实际移动机器人的导航和连续控制中[13]。以前的方法缺乏安全性和鲁棒性，并且/或者需要一个结构化的环境。在本文中，我们提出了一种在未知环境下，无地图或规划器的真实机器人自主自学习导航的概念证明。机器人的输入仅仅是来自2D激光扫描仪和RGB-D相机的融合数据，以及目标的方向。环境地图是未知的。异步网络（GA3C）的输出动作是机器人的线性速度和角速度。 导航/控制器网络在一个高速、并行、自实现的仿真环境中进行预训练，以加快学习过程，然后部署到实际机器人上。为了避免过度拟合，我们训练相对较小的网络，并向输入激光数据中添加随机高斯噪声。传感器数据与RGB-D摄像头的融合使机器人能够在真实环境中进行导航，实现真正的3D避障，而无需使环境适应机器人的感官能力。 为了进一步提高鲁棒性，我们在各种困难的环境中进行训练，并同时运行32个训练实例

ARL 框架的名字来源于 PAddlepaddle Reinfocement Learning，是一款基于百度 PaddlePaddle 打造的深度强化学习框架。PARL 与现有强化学习工具和平台相比，具有更高的可扩展性、可复现性和可复用性，支持大规模并行和稀疏特征，能够快速 对工业级应用案例的验证。 这个在 github 上是开源的，但是鉴于有些朋友工具受限下载很慢，所以特地搬运过来！

基于深度强化学习的编队控制使用MADDPG算法

SimpleDS 一个简单的深度强化学习对话系统 描述 SimpleDS是用于通过深度强化学习来训练面向任务的对话系统的计算框架。 与其他对话系统相比，此系统直接从上一个系统的原始（嘈杂的）文本或单词嵌入以及用户响应中直接选择对话动作-正在进行的原始音频的支持。 这样做的动机是在尽可能少的人工干预下训练对话代理。 该系统在客户端-服务器架构下运行，其中学习代理（在JavaScript中）充当“客户端”，而环境（在Java中）充当“服务器”。 它们通过交换消息进行通信，客户端告诉客户端要执行的操作，服务器告诉客户端可用的操作，环境状态和观察到的奖励。 SimpleDS是顶部的（口语）对话系统通过约束搜索空间的多线程和客户端-服务器处理的支持，以及快速学习。 该系统已经通过使用Google语音识别器的模拟对话和真实对话进行了测试。 它也已经用三种不同的语言进行了测试：英语，德语和西班牙语

该存储库结合了来自三个来源qv的代码，以获取详细信息： Pack Publishing的第19章 斯科特·藤本的 马克斯·拉潘（Max Lapan）的 我使用此存储库的目标是将所有这些算法集中在一个地方，并具有简单，统一的命令行界面和最小的外部依存关系（ ， ）。 快速开始 python3 td3-learn.py --target -500 这将在默认环境（ ）上运行算法，直到达到-500的平均奖励（在我的Asus Predator Helios笔记本电脑上大约需要23秒）。 程序完成后，您可以通过运行以下命令显示结果 python3 ac-test.py models/td3-Pendulum-v0-.dat 其中是奖励值。 如果您已安装 ，则可以通过运行以下命令可视化情节奖励 python3 ac-plot.py models/td3

详细总结了如何在ubuntu16.04的基础上搭建深度强化学习mujoco的环境，可按照Openai的gym针对mujoco-py进行深度强化学习训练，解决了mujoco安装后，Ubuntu重启键盘鼠标失灵的情况。

maze_dqn 使用深度强化学习（DQN）解决迷宫任务

本文利用 Gym 对仿真环境进行注册，对 OpenScope 进行功能性改造，引入 成都双流机场最新进近区域内的固定点数据，包括各个扇区参数、进离场航线数据、进 近区管辖范围数据等，设计了简单的进近区 ATC 管制环境。该环境包括独立的进场、离 场情景，充分考虑了各种复杂情况下的冲突。其次，针对不同空域的复杂程度设计了相 应的冲突场景，如航路上的交叉冲突以及对头冲突，进、离场时的对头冲突、超越冲突 等，构建完备的冲突集。为了降低模型的复杂度，假设航空器在转弯过程中不考虑最小 转弯半径的限制。最后，考虑到解脱动作的连续性以及智能体状态的复杂性，本文以保 障飞行安全为前提，对航空器解脱策略进行研究。通过构建的空中交通管制仿真环境实 现智能体之间的交互训练任务，设计了冲突解脱模型的奖励函数，采用深度强化学习中 经典算法 DDPG 进行解脱策略的学习。仿真实验结果表明该算法对于多种冲突环境均 能够搜索到较优的解脱策略，冲突解脱成功率达到 89% 以上，可以作为管制员进行冲 突解脱的参考方案之一。

为解决软件定义网络场景中，当前主流的基于启发式算法的QoS优化方案常因参数与网络场景不匹配出现性能下降的问题，提出了基于深度强化学习的软件定义网络QoS优化算法。首先将网络资源和状态信息统一到网络模型中，然后通过长短期记忆网络提升算法的流量感知能力，最后基于深度强化学习生成满足QoS目标的动态流量调度策略。实验结果表明，相对于现有算法，所提算法不但保证了端到端传输时延和分组丢失率，而且提高了22.7%的网络负载均衡程度，增加了8.2%的网络吞吐率。

Deep Reinforcement Learning深度强化学习Deep Reinforcement Learning, 2017