Taxi Driver – Reinforcement Learning

Description du projet

Dans ce projet, j’ai développé un agent intelligent capable de résoudre le problème Taxi-v3 à l’aide de techniques de Reinforcement Learning.

L’objectif est de permettre à un taxi autonome d’apprendre à :

• naviguer dans une grille,

• récupérer un passager,

• le déposer à la bonne destination,

  tout en optimisant ses décisions pour minimiser le nombre d’actions et maximiser les récompenses.

Approche technique

J’ai implémenté un agent basé sur l’algorithme SARSA (State-Action-Reward-State-Action), un algorithme de type on-policy.

Contrairement à Q-learning, SARSA apprend en tenant compte de la politique réellement suivie (ε-greedy), ce qui permet :

• une meilleure stabilité,

• un comportement plus réaliste,

• une gestion naturelle de l’exploration.

Fonctionnalités principales

• Implémentation complète d’un agent SARSA

• Pipeline d’entraînement configurable (hyperparamètres via YAML)

• Système de métriques :

  • reward moyen

  • nombre de steps

  • taux de réussite

• Visualisation des performances :

  • courbes d’apprentissage

  • moyenne mobile

• Mode rendu graphique de l’environnement

• Architecture modulaire permettant d’ajouter facilement d’autres algorithmes (Q-learning, Monte Carlo, etc.)