在gym里有个自动驾驶的模拟器，它的任务是把乘客从一个地方接起，在另一个地方放下，在这个过程中 需要小车至少遵守下面三个规则：
在正确的地点下车
尽量用最短的路径
不要出事故
如果要用强化学习来解决这个问题，需要明确state，action，reward是什么：
在这个过程会让小车自己学会判断在每个state要采取什么action，小车会在环境中不断地尝试来找到最优策略，这个学习过程的依据就是reward，如何设置奖励机制呢？
因为希望小车最后达成的是成功地将顾客在正确的位置放下，所以这时的奖励要有很大的正奖励
如果在错误位置将顾客放下，就要有惩罚
当小车在每个state上的方向错误时，会有轻微的惩罚，这样的惩罚会让小车迟到，那么有助于它找到最短路径
state 是指小车可能经过的位置，例如整个环境是个 5x5 的网格，在这个格子上有四个位置可以接送顾客，R, G, Y, B or[(0,0), (0,4), (4,0), (4,3)]
例如有个顾客想从 y 到 r，目的地是4个，顾客的位置是5=4个目的地 1个是在车内，所以小车的状态空间是 5×5×5×4=500 个，之所以相乘，是因为顾客的 pick up 的状态，以及目的地的状态，它们所在的位置会变化的，这就构成了一个组合，组合总数就是相乘的结果。
action 空间有6个，在每个state上面可以向四个方向走，还有接顾客和放下顾客两个。
在网格中的四边是墙，如果小车在四周撞到了墙会得到-1的惩罚，这样让小车学着不要撞墙。
参考资料：
https://www.learndatasci.com/tutorials/reinforcement-q-learning-scratch-python-openai-gym/
