Up 行動の導出 作成: 2026-06-14
更新: 2026-06-14
４足歩行ロボット ＞ 基礎研究型 ＞ 運転脳 ＞ 訓練アルゴリズム ＞ 行動の導出

    状態 s_t に対し，DQN は
    　　( Q(s_t, F), Q(s_t, R), Q(s_t, L) )
    を出す。

    ε-greedy 方策 で，F, R, L から１つをサンプリング：
    　　F, R, L からランダムに択んだ１つに，確率 ε
    　　F, R, L のうち Q値が最大のものに，確率 1−ε