训练DDPG Agent控制飞行机器人

这个示例使用:

这个例子展示了如何训练一个深度确定性策略梯度(DDPG)代理来生成在Simulink®中建模的飞行机器人的轨迹。金宝app有关DDPG代理的更多信息，请参见深度确定性策略梯度代理．

飞行机器人模型

本例的强化学习环境是一个飞行机器人，其初始条件围绕一个半径环随机化15m.机器人的方向也是随机的。机器人在身体的一侧安装了两个推进器，用来推动和控制机器人。训练目标是将机器人从初始状态驱动到面向东方的原点。

打开模型。

mdl =“rlFlyingRobotEnv”；open_system (mdl)

设置初始模型状态变量。

theta0 = 0;x0 = -15;y0 = 0;

定义样本时间Ts以及模拟持续时间特遣部队．

t = 0.4;Tf = 30;

对于这个模型:

目标取向是0Rad(机器人朝东)。
每个执行器的推力是被限制的－１来1N
从环境中观察到的是机器人的位置、方向(方向的正弦和余弦)、速度和角速度。
奖励 $r_{t}$ 提供在每个时间步骤

$r_{1} ＝ 10 （（ {x_{t}}^{2} + {y_{t}}^{2} + θ_{t}^{2} ） < 0 ． 5 ）$

$r_{2} ＝ - One hundred. （ | x_{t} | \geq 20. | | | y_{t} | \geq 20. ）$

$r_{3.} ＝ - （ 0 ． 2 {（ R_{t - 1} + l_{t - 1} ）}^{2} + 0 ． 3. {（ R_{t - 1} - l_{t - 1} ）}^{2} + 0 ． 03 {x_{t}}^{2} + 0 ． 03 {y_{t}}^{2} + 0 ． 02 θ_{t}^{2} ）$

$r_{t} ＝ r_{1} + r_{2} + r_{3.}$

地点:

$x_{t}$ 为机器人沿x轴的位置。
$y_{t}$ 为机器人在y轴上的位置。
$θ_{t}$ 为机器人的方向。
$l_{t - 1}$ 左边推进器的控制力。
$R_{t - 1}$ 是右侧推进器的控制力。
$r_{1}$ 是机器人接近目标时的奖励。
$r_{2}$ 当机器人超车时处罚吗20.M在x或y方向上。当 $r_{2} < 0$ ．
$r_{3.}$ 是QR惩罚，惩罚距离目标和控制努力的距离。

创建集成模型

训练一名特工FlyingRobotEnv模型,使用createIntegratedEnv函数自动生成与RL Agent块集成的模型，该模型已准备好进行训练。

integratedMdl =“IntegratedFlyingRobot”；[~, agentBlk observationInfo actionInfo] = createIntegratedEnv (mdl integratedMdl);

操作和观察

在创建环境对象之前，请指定观察和操作规范的名称，并绑定两者之间的推力操作－１和1．

这个环境的观测信号是 $观察＝ {［ \begin{matrix} x & y & \dot{x} & \dot{y} & 罪（ θ ） & 因为（ θ ） & \dot{θ} \end{matrix} ］}^{T}$ ．

numObs = prod (observationInfo.Dimension);observationInfo。Name =“观察”；

这个环境的动作信号是 $行动＝ {［ \begin{matrix} T_{R} & T_{l} \end{matrix} ］}^{T}$ ．

numAct = prod (actionInfo.Dimension);actionInfo。lowerLimit = -ones(numAct,1); actionInfo.UpperLimit = ones(numAct,1); actionInfo.Name =“手臂”；

创建环境接口

使用集成模型为飞行机器人创建环境界面。

env = rl金宝appSimulinkEnv (integratedMdl agentBlk、observationInfo actionInfo);

重置功能

创建一个自定义重置函数，使机器人沿半径环的初始位置随机化15M和初始方向。关于复位功能的详细介绍请参见flyingRobotResetFcn．

env。ResetFcn = @(in) flyingRobotResetFcn(in);

修复随机生成器种子的再现性。

rng (0)

创建DDPG代理

DDPG代理通过使用批判价值函数表示来近似给定观察和行动的长期奖励。要创建批评家，首先要创建一个有两个输入(观察和行动)和一个输出的深度神经网络。有关创建神经网络值函数表示的更多信息，请参见创建策略和价值功能表示．

%指定隐藏层的输出数量。hiddenLayerSize = 100;observationPath = [featureInputLayer(numObs，“归一化”，“没有”，“名字”，“观察”) fullyConnectedLayer (hiddenLayerSize“名字”，“fc1”) reluLayer (“名字”，“relu1”) fullyConnectedLayer (hiddenLayerSize“名字”，“取得”) additionLayer (2“名字”，“添加”) reluLayer (“名字”，“relu2”) fullyConnectedLayer (hiddenLayerSize“名字”，“一个fc3”文件) reluLayer (“名字”，“relu3”) fullyConnectedLayer (1,“名字”，“fc4”));actionPath = [featureInputLayer(numAct，“归一化”，“没有”，“名字”，“行动”) fullyConnectedLayer (hiddenLayerSize“名字”，“fc5”));%创建图层图。criticNetwork = layerGraph (observationPath);criticNetwork = addLayers (criticNetwork actionPath);%连接actionPath到observationPath。criticNetwork = connectLayers (criticNetwork,“fc5”，“添加/ in2”）;

指定评论家使用的选项rlRepresentationOptions．

criticOptions = rlRepresentationOptions (“LearnRate”1 e 03“GradientThreshold”1);

使用指定的神经网络和选项创建批评家表示。您还必须为评论家指定行动和观察规范。有关更多信息，请参见rlQValueRepresentation．

评论家= rlQValueRepresentation (criticNetwork observationInfo actionInfo,．..“观察”, {“观察”}，“行动”, {“行动”}, criticOptions);

DDPG代理通过使用参与者表示来决定对给定的观察采取什么行动。要创建参与者，首先要创建一个具有一个输入(观察)和一个输出(动作)的深度神经网络。

把行动者想像成与批评家相似的人。有关更多信息，请参见rlDeterministicActorRepresentation．

[featureInputLayer(nummobs，“归一化”，“没有”，“名字”，“观察”) fullyConnectedLayer (hiddenLayerSize“名字”，“fc1”) reluLayer (“名字”，“relu1”) fullyConnectedLayer (hiddenLayerSize“名字”，“取得”) reluLayer (“名字”，“relu2”) fullyConnectedLayer (hiddenLayerSize“名字”，“一个fc3”文件) reluLayer (“名字”，“relu3”) fullyConnectedLayer (numAct“名字”，“fc4”) tanhLayer (“名字”，“tanh1”));actorOptions = rlRepresentationOptions (“LearnRate”1 e-04“GradientThreshold”1);演员= rlDeterministicActorRepresentation (actorNetwork observationInfo actionInfo,．..“观察”, {“观察”}，“行动”, {“tanh1”}, actorOptions);

要创建DDPG代理，首先使用rlDDPGAgentOptions．

agentOptions = rlDDPGAgentOptions (．..“SampleTime”Ts,．..“TargetSmoothFactor”1 e - 3,．..“ExperienceBufferLength”1 e6,．..“DiscountFactor”, 0.99,．..“MiniBatchSize”, 256);agentOptions.NoiseOptions.StandardDeviation = 1 e 1;agentOptions.NoiseOptions.StandardDeviationDecayRate = 1 e-6;

然后，使用指定的参与者表示、评论家表示和代理选项创建代理。有关更多信息，请参见rlDDPGAgent．

代理= rlDDPGAgent(演员、评论家、agentOptions);

火车代理

要培训代理，首先指定培训选项。对于本例，使用以下选项:

每次训练最多跑一次20000每集最多持续一集装天花板(Tf / Ts)时间的步骤。
在“插曲管理器”对话框中显示培训进度(设置情节选项)，并禁用命令行显示(设置详细的选项假）．
停止训练时，代理收到的平均累积奖励大于415连续10集以上。此时agent可以驱动飞行机器人到达目标位置。
为累积奖励大于的每一集保存一份代理副本415．

有关更多信息，请参见rlTrainingOptions．

maxepisodes = 20000;maxsteps =装天花板(Tf / Ts);trainingOptions = rlTrainingOptions (．..“MaxEpisodes”maxepisodes,．..“MaxStepsPerEpisode”maxsteps,．..“StopOnError”，“上”，．..“详细”假的,．..“阴谋”，“训练进步”，．..“StopTrainingCriteria”，“AverageReward”，．..“StopTrainingValue”, 415,．..“ScoreAveragingWindowLength”10．..“SaveAgentCriteria”，“EpisodeReward”，．..“SaveAgentValue”, 415);

训练代理人使用火车函数。培训是一个计算密集型的过程，需要几个小时才能完成。为了节省运行此示例的时间，请通过设置加载预先训练过的代理doTraining来假．自己训练代理人，设置doTraining来真正的．

doTraining = false;如果doTraining培训代理商。trainingStats =火车(代理,env, trainingOptions);其他的%加载示例的预训练代理。负载(“FlyingRobotDDPG.mat”，“代理”）结束

模拟DDPG代理

为了验证经过训练的代理的性能，可以在环境中模拟该代理。有关代理模拟的更多信息，请参见rlSimulationOptions和sim卡．

simOptions = rlSimulationOptions (“MaxSteps”, maxsteps);经验= sim (env,代理,simOptions);

图飞行机器人可视化器包含一个轴。轴包含三种类型的物体颤抖，贴片，线。

另请参阅

rlDDPGAgent|火车