Uma grade 5×5, um agente e uma regra de recompensa. Mova o agente manualmente para sentir a mecânica (estado, ação, recompensa, transição) e depois treine o Q-learning ao vivo para ver a política ótima emergir célula por célula — é exatamente o ambiente da Seção 2 do notebook.
s = (linha, coluna), escolhe uma
ação a ∈ {cima, baixo, esquerda, direita} e o ambiente devolve uma recompensa e
um novo estado s':
−1 a cada passo comum (incentiva caminhos curtos)−10 e episódio termina ao cair num buraco+10 e episódio termina ao chegar no objetivoε-greedy com decaimento) direto no navegador — arraste o
slider para ver a política sair de aleatória (poucos episódios) para ótima (muitos episódios).