第2回　AIの強化学習の基礎を学ぼう

図8　DeepRacerで定義した報酬関数のコード例（Python）reward_function()関数は、報酬関数を意味する。この報酬関数は、図7と同様に、エージェントがセンターラインに沿って進むように報酬を定義している。変数track_widthはコースの幅、変数distance_from_centerはセンターラインからの距離の数値が格納されている。センターラインからの距離は、コース幅の10％（変数marker_1）／25％（変数marker_2）／50％（変数marker_3）でマーカーを引き、3段階に分けている。最も中心に近い10％幅内を走行中の場合は1.0ポイントの報酬が、25％幅内なら0.5ポイント、50％幅内なら0.1ポイント、それよりも外を走行中なら、1e-3（＝0.001）ポイントが付与される。計算された報酬は、関数の呼び出し元にfloat値として返却される。