我对强化学习很陌生，我的项目将包括使用 RL 检测车道。
我正在使用 q-learning，我很难思考我的 q 表应该是什么样子，我的意思是 - 什么可以代表一个状态。我的主要想法是为机器提供一个包含道路图片的框架，边缘检测功能正在应用于该框架（并因此获得大量出现在框架中的线条）。并训练机器哪些线是正确的车道线。我已经有一个可以识别车道的确定性函数，它将是教导机器的函数。我已经组织了一些车道参数，例如（车道长度、车道线、车道颜色（白色或黄色更有可能成为车道）、车道直径和车道坡度）。
现在，我唯一的问题是我应该如何构建 Q 表。基本上，什么可以代表一个状态以及我应该奖励哪些通道或决定。
我会同意 malioboro 的观点，也许 RL 对于这样的任务来说太过分了。尽管最近随着自动驾驶研究的趋势，几乎可以肯定存在有关变道的论文，但您应该查看它们以获取更多详细信息。
正如在具有基于规则的约束的深度强化学习的车道变更决策中所述，“当状态是离散且有限的时，Q 函数可以很容易地以表格形式表示。但在许多实际应用中，例如，车道变更决策-制作任务时，它们的状态空间很大甚至是连续的，使用Q-learning算法会导致维度灾难。因此，表格Q-learning算法不适用于连续状态空间和连续动作空间的学习问题"
因此，我建议使用图像处理技术或 Deep-Q-Learning。Q-Learning 无法处理变道或车道跟踪等连续性问题。