AWS DeepRacerにカジュアル参加してみましたので、備忘録です。
（なぜかQiitaに画像をアップロードできず、テキストのみ記載します。）

AWS DeepRacerについて

以下を参照してください

AWS DeepRacer The fastest way to get rolling with machine learning
Welcome to the world’s first global autonomous racing league, open to anyone. It’s time to race for prizes, glory, and a chance to advance to the AWS DeepRacer Championship at re:Invent 2020.

2021 Virtual Circuit関連のURLは以下です。

Welcome to the 2021 Virtual Circuit
AWS-DeepRacer-Innovate-Challenge
Train&Evaluate AWS DeepRacer Page
AWS Summit Online, AWS DeepRacer リーグ

カジュアル参加のやりかた

上記ページのgetStartedを押すだけです。
getStarted

以下３ステップで進めていきます。

Step 1: Learn the basics of reinforcement learning (Optional / ~10 mins)

Step 2: Create a model and race (Required / ~1 hour)

Step 3: Learn about sensors and new types of racing

上記のStep 1とStep 3はチュートリアルとその他の案内のようで、レースはStep 2を選択すると準備を始められます。

Step 2: Create a model and race (Required / ~1 hour)では、以下の３ステップがあります。

Step 1 Specify the model name and environment

Step 2 Choose training type, training algorithm and agent

Step 3 Customize reward function

まずモデルの名前と環境を決めます。
モデルの名前はseigotなど何でもOKのようです。
コースは、2021,Mayの時点で競技コースになっているKuei Racewayを選択しました。
また、1hour 3.5ドル掛かるようでした。（初心者は10hoursのfree枠を使えるらしい。詳しくは元URLを参照）

色々とGUIからカジュアルに設定してきます。今回は以下を設定しました。（ほぼデフォルト）

-	Value	範囲
Race Type	`Time Trial`	`Time Trial` or `Object avoidance` or `Head-to-head racing`
Training algorithm	PPO	PPO or SAC
Speed(速度の種類　)	{ 0.33, 0.67, 1 } m/s	固定？
Steering angle (ステアリング角の種類)	{ -30, 0, 30 } °	固定？
機械学習フレームワーク	Tensor-flow	固定？

PPOとSACについては以下

PPO A state-of-the-art policy gradient algorithm which uses two neural networks during training – a policy network and a value network.

SAC Not limiting itself to seeking only the maximum of lifetime rewards, this algorithm embraces exploration, incentivizing entropy in its pursuit of optimal policy.

ハイパーパラメータは以下を設定します。（ほぼデフォルト）

-	Value	範囲
Gradient descent batch size	64	32,64,128,256,512
Entropy	0.01	Real number between 0 and 1.
Discount factor	0.999	Real number between 0 and 1.
Loss type	Huber	`Mean squared error` or `Huber`
Learning rate	0.0003	Real number between 0.00000001 (1e-8) and 0.001 (1e-3).
Number of experience episodes between each policy-updating iteration	20	Integer between 5 and 100.
Number of epochs	10	Integer between 3 and 10.