这段文字主要介绍了在使用 Karla 环境进行强化学习，特别是深度 Q 学习时，如何调整代码架构以适应强化学习的标准模式。

首先，为了更好地应用强化学习，需要采用 OpenAI 所倡导的标准模式。这种模式通常使用一个名为“环境”的对象，该对象包含一个名为“step”的方法，用于执行以下操作：

1. 接收动作： 将用户指定的动作传递给环境。
2. 执行动作： 环境根据动作进行相应操作，例如模拟游戏中的角色移动。
3. 收集信息： 记录执行动作后产生的奖励、新的状态（观察结果）以及是否结束当前回合。
4. 返回结果： 将新的状态、奖励、结束标志以及其他信息返回给用户。

这种标准模式的优点在于，它使得不同强化学习模型可以轻松地应用于不同的环境。例如，可以将使用 OpenAI Gym 训练的模型直接应用于 Karla 环境，反之亦然。

为了将 Karla 环境改造成符合这种标准模式，需要对代码进行调整，例如将原有的函数转换为面向对象编程中的方法，并将相关代码封装到“环境”对象中。

总而言之，这段文字强调了采用标准模式进行强化学习的重要性，并说明了如何将 Karla 环境改造为符合标准模式。

欢迎来到 Carla 自主驾驶汽车 Python 编程教程的第 3 部分。在本教程中，我们将利用我们对 Carla API 的知识，尝试将这个问题转换为强化学习问题。文本教程和示例代码：https://pythonprogramming.net/reinforcement-learning-environment-self-driving-autonomous-cars-carla-python/