Аппаратное обучение, вероятно, не подходит для этой задачи. По крайней мере, не по себе. Используйте физику. Вы должны иметь возможность получить приблизительную формулу для этого из учебника физики первого семестра, хотя вам нужно будет решить, нацелитесь ли вы на середину обруча или на доску.
Ваши формулы физики должны указывать угол и силу использования, но ваша модель системы будет иметь некоторые неточности. Различные шары могут иметь разную массу, и вы, возможно, не захотите явно учитывать сопротивление воздуха и т. Д. Поиск по пространству смещений, основанный на том, насколько близок предыдущий снимок, может работать. Выбор методов поиска зависит от вас - имитированный отжиг может работать хорошо, как сказал Менсель.
Одним из возможных способов использования машинного обучения здесь может быть помнить и экстраполировать эти смещения. Аппроксиматор функции (такой как нейронная сеть) может использоваться для изучения смещений из опыта. Как только ваш метод поиска удастся поставить мяч в обруч, используйте это как пример тренировки для аппроксиматора, который учится отображать на основе того, что говорит физическая модель, чтобы использовать смещения, которые сделали выстрел. Затем для следующего снимка (из любой позиции) аппроксиматор функции будет использоваться для угадывания смещений. Если этот снимок пропущен, повторите поиск, пока не будут найдены правильные смещения. Обновите аппроксиматор функции, промойте и повторите. Кроме того, было бы полезно, если бы ваш аппроксиматор функции был инициализирован таким образом, что он изначально всегда говорил, чтобы не применять смещения. В конце концов, наилучшим первым предположением должно быть просто использовать то, что говорит физическая модель.
Если вы знаете свое текущее положение, целевое положение, зачем вам вообще нужно машинное обучение? Вы можете просто рассчитать скорость и отклонение – Archeg
@Archeg: Мы знаем только текущую позицию относительно цели. Точка алгоритма машинного обучения состоит в том, чтобы выяснить, как ввод относится к выходу (например, что такое перетаскивание для мяча и т. Д.) – Glycan
Машинное обучение полезно, когда вы не знаете, какие переменные окружения повлияют на ваш результат. Или, если трудно их жестко закодировать. В вашем случае я все еще не вижу их. Вам нужно проверить силу ветра, возможно ли иметь некоторые препятствия вокруг или, может быть, вам следует использовать разные шары с разной массой и поверхностью? Машинное обучение - отличный инструмент, но он медленный и никогда не достаточно умный. Так что хорошо подумать, зачем вам это вообще нужно. – Archeg