我正在学习使用Unity和Mlagents。我准备了一个训练环境，在这个环境中，我有一个代理，他必须按照材料的类型（金属、塑料等）来回收物体。
例如：当代理碰撞一个塑料瓶，并检测到它有一个塑料标签，该对象物理移动到一个空间，是塑料，所以金属（并收到+1奖励），如果它与人类（人类标签）碰撞收到-2的惩罚。
到目前为止，一切都很好，代理当训练（强化学习），他正确地完成他的目的。
问题是内部的代码只有这样几行：如果代理与人类相撞，他将受到惩罚(-2)如果代理与墙相撞，他将受到惩罚(-1)如果代理与塑料物体相撞，该物体移动到塑料的特定空间(+1)如果代理与金属物体相撞，该物体移动到金属的特定空间(+1)
问题:如何给代理一个 "机会"，让它在错误的分类中犯错，并在以后从中学到东西呢？目前它只是按照 "if "行事。
我想，也许使用一些随机参数，当代理与对象碰撞，它随机分配到一个回收点，如果这导致一个错误的回收点，它将受到惩罚，但...... 代理可以从中学习吗？ 这意味着代理将有 "控制 "的随机参数，在他的学习和训练。
我将感激任何种类的想法或建议。
有一个训练有素的代理，就是导致它基本上只是按照if语句来做。一个可能的解决方法是提前切断它的训练，并使用该模型。这样虽然不会很完美，但它会有一个大致的思路。