# 論文勘誤
p27
而三個服務機器人在分別接到任務之後， 服務機器人系統（PPO 演算法架
構），經由演算，會演算出服務機器人該走的下一步的機率，三個服務機器人各
依最高的機率去執行，除非有違法行為，才會依均勻分佈選擇去執行該走的下
一步。

-> 訓練的時候會用softmax輸出的機率分佈去進行動作的取樣，測試的時候才會選擇最高機率

---
p28
若非上述情況： rt= - (機器人目前位置與目標位置的距離)
這個reward已經移除

---
p37
https://chriskang028.medium.com/statistic-hypothesis-testing-f766c129d632

---
問題：

模型問題
Q：是否有嘗試過其它的模型，更深的模型深度？
是有試過更深或更寬的模型，但訓練時間會拉更長，所以以這個問題的複雜度，我們折衷以目前的模型來做，就足夠解決我們預設的問題。而且我們是要做出強化學習的訓練框架，足以解決路徑規劃與中央程排系統的需求，不是要求最好。

算法問題
Q：為什麼使用PPO？而不是其他的強化學習算法？
以這個個案需求，使用目前最強的強化學習演算法PPO。

Q：定義違法行為有巨大的效能提昇，這個部份是採用例外處理的方式，為什麼不用RL的方法解決？
二者都可以用RL解決，只要訓練的夠久，就沒有問題。但是在工程上，使用例外處理就可以解決。（加了人腦的好處）
禁止迴圈：
禁止碰撞：類似緊急措施

Q：本論文牽涉到地圖與機器人定位問題，是否有考慮過將RL與SLAM進行整合？
SLAM：感測器收集資料來建地圖，來解決機器人定位問題。
但我們論文解決的問題是整合 中央排程與路徑規劃的問題。以及多個機器人同時協力使用。
目前是 A* ＋SLAM 比較多。

參數問題
Q：為什麼訓練時epoch 6000後出現了明顯的效能下降？
因為學習參數learning rate我們在2000,6000會各下降1/10, 所以6000之後出現over fitting的現象（調整太夠精細，反而在各種情況表現就下降了）

模擬環境問題
Q：來客速率是每30T來一組客人，是否不夠真實？
因為我們要做二組的類比，若以常態分布隨機來做，實驗會難以進行。所以會做這樣的設定。

實驗問題
Q：為何是與A\*進行比較？為什麼不讓非RL的方法也更新地圖的全局資訊？
在實際應用的時候，很難藉由感測器來獲得全局資訊，所以會發生無法使用A STAR系統的機器人。

Q：中央排程使用RL，為什麼能比FIFO還好？具體的差異是在哪？

應用問題
Q：這樣的一個訓練框架如何應用到真實的餐廳場景？
* 更真實的3D模擬環境：先以訓練框架可行
* 與SLAM進行整合
* 減少reality gap的問題