我正在学习使用 Unity 和 Mlagents。我准备了一个培训环境，在其中我有一个必须按材料类型（金属、塑料等）回收对象的代理。
例如：当智能体碰撞一个塑料瓶并检测到它有一个塑料标签时，如果它与人类碰撞，则该物体会物理移动到一个用于塑料的空间，金属也会移动（并获得 +1 奖励）（ Human Tag) 受到 -2 的惩罚。
到目前为止一切正常，经过训练（强化学习）的代理正确地实现了他的目的。
问题是内部代码仅包含以下行：如果代理与人发生碰撞，他将受到惩罚（-2）如果代理与墙壁发生碰撞，他将受到惩罚（-1）如果代理与塑料物体发生碰撞，物体移动到塑料的特定空间（+1）如果代理与金属物体碰撞，物体移动到金属的特定空间（+1）
问题：你如何给智能体一个“机会”，让他们在错误分类对象时犯错误，然后再从中学习？目前它只是在“如果”之后行动
我认为可能使用一些随机参数，当代理与对象碰撞时，它会随机将其分配给一个回收点，如果这导致不正确的回收点，它将受到惩罚，但是......代理可以从中学习吗？这意味着代理将在学习和训练期间“控制”随机参数。
我将不胜感激任何想法或建议。