鼓励agent捡道具，地图上会随机生成道具，agent可以看到自己周围的道具，每次捡到道具会获得+2奖励，无其他奖励设置
input(100+，位置、道具相关属性) ->fcnet(512) -> fcnet(256) -> fcnet(128) -> output(8个方向)
rllib默认的PPO算法
应该是奖励稀疏的问题，reward 信号很容易就消失在了茫茫的数据中，如果能给智能体连续性的奖励应该可以解决这个问题。还有就是尽可能减少输入维度，道具相关属性与捡道具有关系吗？
Ironman9527 感谢！确实如此。后来我们尝试地做了reward shaping以及把道具属性等无关输入去掉，同时减小网络参数，可以有效地训练出捡道具任务了。对了，当时的模型输入没有考虑做归一化，补上了归一化以后效果也有较大提升。
