《表3 3种算法的学习结果》
提示：宽带有限、当前游客访问压缩模式
为了充分展示IRBFN-QL算法的有效性，本文在图5（a）所示的仿真环境中，对DQN算法、基于KRLS的IRBFN-QL算法（也即，L2正则化约束加权系数λ=0）、以及基于L2KRLS的IRBFN-QL算法（在本文实验中取λ=0.01）分别进行10次行为学习实验，若运行次数大于1万步仍未完成学习，则判定学习失败；若在1万步前完成学习任务，但在测试阶段发生碰撞，则同样判定学习失败.表3显示了3种算法的最终学习结果.
| 图表编号 | XD0090089100 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.09.01 |
| 作者 | 胡艳明、李德才、何玉庆、韩建达 |
| 绘制单位 | 中国科学院沈阳自动化研究所机器人学国家重点实验室、中国科学院机器人与智能制造创新研究院、中国科学院大学、中国科学院沈阳自动化研究所机器人学国家重点实验室、中国科学院机器人与智能制造创新研究院、中国科学院沈阳自动化研究所机器人学国家重点实验室、中国科学院机器人与智能制造创新研究院、中国科学院沈阳自动化研究所机器人学国家重点实验室、中国科学院机器人与智能制造创新研究院、南开大学人工智能学院 |
| 更多格式 | 高清、无水印（增值服务） |
