deepmind与加州旧金山人工智能研究机构，内部通过开发人工智能来玩较为复杂的游戏，就好像多人实时策略型游戏dota和《星际争霸》(starcraft)，内部的提升培训是人工智能学习的一种，有可能让系统对于外观评价在未知的复杂场景中做分析，为了让人工智能才能更加地玩好游戏，人工智能专家制定了模式手势回报、价值判断q函数等高端战略，从而来让人工智能更多地学习。
自动驾驶领域
因自动驾驶是用ai和机器学习来集成机械、电子和计算能力以得到及时驾驶决定的繁琐程序，自动驾驶仿真可以实现多个目标，一测试自动驾驶汽车在环境感知、导航和管理等多种因素的能力；二是形成一大批有元素的训练数据来训练深层神经网络等学习方法，用户只要安排一个仿真模型来表达与之交互并努力降低的情况，而没有提供标明或者未标注的预定义训练数据集。
ai机器人展区
ai人工智能是我们未来科技的关键发展机遇，同学们进行与ai机器人互动，通过简短的控制系统、自主系统和机器人示例， 在普通的提升培训算法间快速转换并进行分析和对比，产品只要对代码稍加改动即可完成 使用角度神经网络，通过图片、传感器数据定义复杂策略， 选择本地核心或云并行执行多个仿真，加快完善策略训练。
加入强化学习
这其中包括了应用突破学习来设置使用机器人和自动驾驶操作的控制系统的参考案例，加强培训就是可以训练agent做出正确决定的算法，当智能体保持状态st时，根据策略π来确定一个动作at，q学习数学模型正是强化学习算法的其中一个，他们将使用提升培训或程度提升培训的方式采用算法形式分为q学习及其变体、结构及其变体以及分布式多智能体强化学习三种。这是机器学习和人工智能带来的主要成就之一，因为算法通常遇到奖励信号稀疏和延长的情况。加强培训进行操作奖励函数对智能体的方式进行调整，程度提高学习则将深层神经网络应用于强化学习算法，然后，能够将配置自动体和自定义智能体行为matlab对象或Simulink模块进行实现，与传统算法检测相比，研究人员降低了环境设计，而是简单在现实世界对机器人通过训练。
实际应用广泛
其目的是开发可以与环境交互并应对复杂目标的自动办理系统，并将它应用于机器人、自动驾驶汽车等相关方面中，最主要的是使用移动学习，使强化学习能够在模拟场景中能够训练，从而在实际的机器人行业中得到运用， 机器学习的最好的解决方法就是创建另一个机器学习模型，有研究者将人工智能定位为：这是一个能够电脑进行人脑思维结果，有可能从场景中得到呈现并实施行动的智能体
关于构建主体结构我们选择企业网格建立离散模型，对于一系簧采用相应强度的弹簧单元模拟，感受与决策仿真、行为训练等应用，在某些特殊情况下，我们也可以重用现有的matlab和Simulink系统模型，只要稍稍改变一下就可以把它使用增强学习中。
