企业官网建设流程全解析

基准策略含有多处bug,通关率较低。 方向传感器恒返"北"，我改为比较相邻两步 position 的位移差反推真实朝向，再用 memory 在线测绘地图（已知墙/可走格/金币位置），在地图上做乐观 BFS 导航；步数预算内主动探索"前沿格子"找金币，见币就捡，最后直奔终点。

1. 我的优化方向（可多选）

• 步数优化（让机器人走得更快）
• 金币收集（让机器人捡更多金币）
• 成功率（让机器人在各种地图上都能到终点）
• 记忆利用（让机器人记住走过的路）
• 其他：朝向自推断（我的实验条件 #7 是方向传感器故障，必须先解决"不知道自己面朝哪"的问题，其他优化才有意义）

简要说明你的优化思路（100 字以内）：

方向传感器恒返"北"，我改为比较相邻两步 position 的位移差反推真实朝向，再用 memory 在线测绘地图（已知墙/可走格/金币位置），在地图上做乐观 BFS 导航；步数预算内主动探索"前沿格子"找金币，见币就捡，最后直奔终点。

2. 我具体改了什么？

• 改动 1（朝向自推断）：每步比较当前 position 与上一步 position 的位移差（dy=-1→北、dx=+1→东、dy=+1→南、dx=-1→西）直接反推真实朝向；位置没变时按自己上一步发出的"左转/右转/后转"更新朝向信念。整个策略完全不读 perception[“direction”]，因此对约束 #7 免疫。
• 改动 2（在线测绘 + 记忆）：朝向已知后，把 front/right/back/left 四个相对传感器读数换算成绝对方向，逐步把地图（哪些格是墙、哪里有金币）画进 perception[“memory”]，信息跨步持久。
• 改动 3（乐观 BFS 导航）：在已测绘地图上做广度优先搜索，未探明的格子先乐观当作可通行，撞到新墙就即时重规划；去捡金币/探索时把终点格当"雷区"绕开，避免顺路踩上终点提前结束。
• 改动 4（主动探索 + 拾金）：步数预算内（上限 78 步，并用"已用步数 + 2×到终点距离 < 100"做动态保险）前往最近的"前沿格子"（与未知区域相邻的已知格）照亮地图，侦察到金币就绕路去捡；预算耗尽后直奔终点。

3. 优化前后对比

运行python run.py --evaluate获取数据，填入下表：

自动评测分数：Baseline 34/50 → 我的版本50/50（满分）（步数效率 20/20、金币收集 15/15、通关成功 15/15）。

另外：本策略从不读取 direction，所以带约束 #7（方向传感器故障）评测的结果与上表完全一致，同样是 50/50（平均 90 步、金币率 87.6%、通关 15/15）。

（请粘贴一张评测报告的终端截图）

4. 遇到的问题和解决方法

问题 1：方向传感器恒返"北"，无法得知真实朝向，连"前方是哪边"都换算不成绝对方向。

怎么解决的：注意到只有"前进"会改变位置，于是比较相邻两步 position 的位移差来反推真实朝向——移动成功那一刻朝向就被唯一确定；位置不变时（原地转向或被墙挡住），按自己上一步发出的转向动作维护"朝向信念"。开局朝向未知时先"试水"走一步（前方是墙就先右转再试），一旦位置发生变化朝向立即揭晓。

问题 2：去捡金币/探索的路上，机器人经常"莫名其妙"提前结束游戏，金币率上不去。

怎么解决的：逐步调试（在 memory 里记录每步选的目标格）后发现两个隐蔽 bug：① BFS 去往金币/前沿的路径可能恰好穿过终点格，踩上去游戏立即结束；② 终点格自己若有未知邻居，会被误判成"前沿格子"，去"探索"它等于主动踩终点。修复：目标不是终点时把终点格当"雷区"从 BFS 里屏蔽；前沿候选排除终点格。修复后金币率从 33% 提升到 88%。

5. 如果还有时间，我会怎么继续改进？

① 探索顺序改成"信息增益贪心"（优先去能一次照亮最多未知格的前沿），用更少步数覆盖更大区域，把地图 4/5 的金币率从 67%/71% 再往上推；② 把"去哪些金币、按什么顺序"建模成小型 TSP，用最近邻 + 2-opt 求更优拾金顺序；③ 目前每步全量重算 BFS，可以改成本地化重规划，把策略推广到更大网格；④ 给转向做平滑（连续同向转弯提前合并），进一步压低步数。

6. 通过这个实验，我对「具身智能」的理解（50 字以内）

智能体不依赖完备感知也能行动：用行动的后果（位置变化）反推自身状态，边走边把世界画进记忆，感知缺陷可以用"行动 + 记忆 + 推理"补齐。