O estudo das técnicas de reinforcement learning é um campo relativamente novo da ciência e que se encontra muito em alta nos dias atuais. Por conta disso, novos artigos vêm sendo publicados e novas técnicas exploradas em ritmo acelerado. Entretanto, ainda existem poucos benchmarks de referência para a análise e comparação de resultados na área. Desses, a grande maioria se concentra em agentes simples, com espaço de ações de dimensão pequena, inseridos em um ambiente complexo, com elementos muitas vezes desconhecidos, focando assim em analisar a capacidade do agente em explorar o ambiente. Dito isso, decidimos propor um novo benchmark para a análise das técnicas de reinforcement learning. Optamos por inserir um agente complexo (elevada dimensão do espaço de ações) em um ambiente simples (sem elementos desconhecidos ou introduzidos de modo inesperado). O objetivo com esse benchmark é analisar a capacidade de o agente explorar e aprender a utilizar as diversas ferramentas a sua disposição para atingir seu objetivo, tirando o foco da exploração do local onde este está inserido. Acreditamos que esse benchmark pode fornecer uma melhor referência de performance em relação ao potencial do algoritmo de aprender atividades mais complexas.
Para ter acesso ao trabalho completo, envie um e-mail para: pibic@fgv.br