강화학습 — 로봇이 스스로 배운다¶
이번엔 라벨이 없습니다. 내가 보상을 설계하면, 모델이 시뮬레이터에서 수천 번 시도하고 실패하며 배웁니다.
보상 설계¶
- PhysiCar 패널 → Racing → Machine Learning → Train → Learning Algorithm Reinforcement.
- 페이지에 보상 에디터가 내장돼 있습니다 — 내가 쓰는 단 하나의 파일
reward.py. 매 스텝 숫자를 반환하세요: 잘 달리면(라인 위, 전진) 높게, 아니면 낮거나 음수로. - AI 튜터에게 부탁해도 됩니다 — "라인을 벗어나면 벌점 주는 보상 짜줘" — 튜터가 바로 이 파일을 고치고, 에디터에 실시간 반영됩니다.
훈련 (시뮬레이터 전용)¶
- 훈련할 트랙을 체크하고 스텝을 정한 뒤 Run.
- 에피소드당 보상 차트가 오르는 걸 지켜보세요. 차트가 평평하면 보상이 너무 희박하거나 모순일 수 있습니다 — 고치고 다시 돌리세요. 체크포인트는 계속 저장되고, 훈련이 어떻게 끝나든 그때까지 배운 모델은 저장소에 남습니다.
주행¶
지도학습과 같은 Inference 페이지입니다 — 두 방법이 같은 네트워크를 훈련하기 때문입니다. 라벨로 선행학습하고 강화로 다듬은 뒤 랩타임을 비교해 보세요.
그리고 현실로: 모델을 실물 로봇으로 옮기기.
보상이 행동을 만드는 원리 → 학습하기: 강화학습
