翻译自强化学习工具包文档，加入自己的见解，训练结果是自己跑的。部分对象在高版本的MATLAB中才有，需使用R2022a及以后的版本。用Q-learning解决一般马尔科夫决策过程(MDP)环境。

通过Unity Machine Learning Agents工具包在Unity场景中训练强化学习算法，本文主要介绍该包的安装。

在训练之前，先用手动控制测试一下。根据前面的脚本可知，W、S、A、D分别代表向前后左右移动，E、C代表上下移动，上下箭头代表Pitch，左右箭头代表Yaw。点击Play，用键盘控制蜂鸟采蜜。素材。

任务目标为训练智能飞行的蜂鸟，控制蜂鸟飞到花丛中，用喙蘸取花蜜并饮用。蜂鸟飞行有六个自由度（在本任务中不控制其横摇roll），这意味着它们可以向任何方向飞行和转弯以寻找目标。它们的控制更为复杂，其飞行路径无法用传统的导航系统来解决。

创建C#脚本，包括如何手动控制智能体，智能体的观测空间、动作空间，强化学习的奖励函数等。注：本文所有代码均来自于，仅作学习使用。

通过窗体程序训练强化学习代理

其中，主要修改传感器的名字，传感器可检测的物体的标签，每个方向射线的数量，射线的最大角度，射线长度。设置投球半径为0，即只有当射线本身投到物体上时才视为射线检测到物体，若不为0则物体进入射线末端球体内即视为检测到物体。按照下图设置参数，同时微调该游戏对象的位置，避免与智能体本身发生碰撞。还需设置另一个传感器来检测智能体上方物体，将上一个复制，修改名字为RayUp，参数设置如下。最后，再设置一个传感

我用Python脚本从dyna的d3plot文件中提取了大量的有限元应力数据（以后可能会分享怎么读取，有需要联系我），想在自己开发的程序界面上将应力三维云图绘制出来，面对这个数据量（几十万个点），用matplotlib的话会让程序非常卡顿，然后就有了这个专栏，Mayavi绘制这个还是挺快的，而且交互起来一点不卡。一个丰富的用户界面，可以和数据、对象进行交互。简洁清晰的Python接口，以及可以使用

基于Python的Delmia二次开发系列

基于VBA的AutoCAD二次开发