此示例显示如何创建一个可以播放的深度Q学习网络(DQN)代理,并在Matlab®中平衡模型的摆锤。在此示例中,您使用使用DQN代理深网络设计师.有关DQN代理的更多信息,请参见深度Q-Network代理商.
本例的强化学习环境是一个简单的无摩擦摆,最初挂在一个向下的位置。训练目标是用最小的控制力使钟摆直立而不倾倒。
对于这个环境:
向上平衡的摆位为0
弧度和向下悬挂的位置是PI.
弧度。
来自代理到环境的扭矩动作信号来自-2至2 n·m。
从环境观测得到的是简化的钟摆灰度图像和钟摆角导数。
奖励 ,在每个时间步长时,为
在这里:
是从直立位置的位移角度。
是位移角的导数。
是前一步的控制力。
有关此模型的更多信息,请参见培训DDPG代理以摇摆和平衡摆动图像观察.
为摆创建一个预定义的环境接口。
env = rlPredefinedEnv ('SimpleDequeLumwithimage-离散');
界面有两个观察。第一次观察,命名为“pendimage”
,是50×50灰度图像。
ObsInfo = GetobservationInfo(ENV);ObsInfo(1)
ans = rlnumericspec与属性:lowermit:0上限:1名称:“Pendimage”描述:[0x0字符串]尺寸:[50 50]数据类型:“双”
第二个观察结果叫做“angularRate”
,是摆锤的角速度。
obsInfo (2)
ans = rlnumericspec具有属性:lowermit:-inf上唇:inf name:“Agularrate”描述:[0x0字符串]尺寸:[1 1]数据类型:“double”
该界面有一个离散的动作空间,在该空间中,代理可以对摆施加五个可能的扭矩值中的一个:-2
,-1,0
、1或2
N·m。
actInfo = getActionInfo (env)
ACTINFO = RLFINITESETSPEC具有属性:元素:[-2 -1 0 1 2]名称:“转矩”描述:[0x0字符串]尺寸:[1 1]数据类型:“DOUBLE”
修复随机发生器种子以进行再现性。
RNG(0)
DQN代理使用批评价值函数表示来估计长期奖励,给定观察和行动。对于这种环境,评论家是一个深度神经网络,具有三个输入(两个观察和一个动作)和一个输出。有关创建深度神经网络值函数表示的更多信息,请参阅创建策略和值函数表示.
您可以通过使用深网络设计师要做到这一点,你首先要为每个观察和动作创建单独的输入路径。这些路径从它们各自的输入学习较低层次的特性。然后创建一个公共输出路径,该路径将来自输入路径的输出组合起来。
创建图像观测路径
要创建图像观测路径,首先拖动imageInputlayer.
从这一点来图书馆库窗格到画布。设置图层InputSize到目前为止50岁,50岁,1
对图像进行观察,并设置归一化到目前为止没有
.
二,拖动一个Convolution2Dlayer.
到画布并将该层的输入连接到输出imageInputlayer.
.创建卷积层2
过滤器(NumFilters属性),其高度和宽度为10.
(FilterSize财产),并使用一步5
在水平和垂直方向(步行属性)。
最后,用两组ReLULayer
和全康统计层
层。第一个和第二个的输出大小全康统计层
层数分别为400和300。
创建所有输入路径和输出路径
以类似的方式构造其他输入路径和输出路径。对于此示例,请使用以下选项。
角速度路径(标量输入):
imageInputlayer.
- 集合InputSize到目前为止1,1
和归一化到目前为止没有
.
全康统计层
- 集合输出到目前为止400
.
ReLULayer
全康统计层
- 集合输出到目前为止300
.
动作路径(标量输入):
imageInputlayer.
- 集合InputSize到目前为止1,1
和归一化到目前为止没有
.
全康统计层
- 集合输出到目前为止300
.
输出路径:
附加学者
- 将所有输入路径的输出连接到该图层的输入。
ReLULayer
全康统计层
- 集合输出到目前为止1
对于标量值函数。
将网络导出到MATLAB工作区,进入深网络设计师,点击出口.深网络设计师将网络导出为包含网络图层的新变量。您可以使用此图层网络变量创建批评批评表示。
或者,要生成网络的等效MATLAB代码,请单击导出>生成代码.
生成的代码如下所示。
lgraph = layerGraph ();[imageInputLayer([1 1 1],]),“名称”,“扭矩”,“归一化”,“没有”) fullyConnectedLayer (300,“名称”,“torque_fc1”));lgraph = addLayers (lgraph层);[imageInputLayer([1 1 1],]),“名称”,“angularRate”,“归一化”,“没有”) fullyConnectedLayer (400,“名称”,“dtheta_fc1”) reluLayer (“名称”,“dtheta_relu1”) fullyConnectedLayer (300,“名称”,“dtheta_fc2”));lgraph = addLayers (lgraph层);[imageInputLayer([50 50 1],]),“名称”,“pendimage”,“归一化”,“没有”10) convolution2dLayer ([10], 2,“名称”,“img_conv1”,“步幅”,[5 5])剥离器(“名称”,“img_relu”) fullyConnectedLayer (400,“名称”,“theta_fc1”) reluLayer (“名称”,“theta_relu1”) fullyConnectedLayer (300,“名称”,“theta_fc2”));lgraph = addLayers (lgraph层);图层= [additionLayer(3,“名称”,“添加”) reluLayer (“名称”,“relu”)全康连接层(1,“名称”,“stateValue”));lgraph = addLayers (lgraph层);lgraph = connectLayers (lgraph,“torque_fc1”,“添加/ in3”);lgraph = connectLayers (lgraph,“theta_fc2”,“添加/三机一体”);lgraph = connectLayers (lgraph,“dtheta_fc2”,“添加/ in2”);
查看critical网络配置。
图绘图(LGROP)
为使用的批评家表示指定选项rlRepresentationOptions
.
criticOpts = rlRepresentationOptions (“LearnRate”,1e-03,“GradientThreshold”1);
使用指定的深神经网络创建批评批评者表示LGRAPH.
和选项。您还必须为评论家指定操作和观察信息,这些信息是从环境接口获得的。有关更多信息,请参见rlqvalueerepresentation
.
评论家= rlQValueRepresentation (lgraph obsInfo actInfo,......'观察',{'pendimage',“angularRate”},“行动”,{'扭矩'}, criticOpts);
要创建DQN代理,请首先指定DQN代理选项使用rlDQNAgentOptions
.
agentOpts = rlDQNAgentOptions (......“UseDoubleDQN”假的,......“TargetUpdateMethod”,“平滑”,......“TargetSmoothFactor”,1e-3,......“ExperienceBufferLength”1 e6,......“DiscountFactor”, 0.99,......'sampletime'env。Ts,......'minibatchsize',64);代理.epsilongredyexpliation.epsilondecay = 1e-5;
然后,使用指定的评论表示和代理选项创建DQN代理。有关更多信息,请参见rlDQNAgent
.
代理= rlDQNAgent(评论家,agentOpts);
要培训代理,首先指定培训选项。对于此示例,请使用以下选项。
为大多数5000次剧集运行每个培训,每个剧集持续最多500个时间步长。
在Episode Manager对话框中显示培训进度(设置绘图
选项),并禁用命令行显示(设置详细的
选项假
).
当代理在默认的连续五次事件的窗口长度上获得大于-1000的平均累积奖励时,停止训练。在这一点上,代理可以快速平衡摆在直立的位置,使用最小的控制努力。
有关更多信息,请参见rlTrainingOptions
.
trainOpts = rlTrainingOptions (......'maxepisodes',5000,......“MaxStepsPerEpisode”,500,......'verbose'假的,......“阴谋”,'培训 - 进步',......“StopTrainingCriteria”,'AverageReward',......“StopTrainingValue”,-1000);
您可以通过使用培训或模拟期间可视化摆动系统情节
函数。
情节(env)
训练代理人使用火车
函数。这是一个计算密集的进程,需要几个小时才能完成。要在运行此示例的同时节省时间,请通过设置加载预制代理doTraining
到目前为止假
.自己训练代理人,设置doTraining
到目前为止真正的
.
doTraining = false;如果doTraining%训练代理人。Trainstats =火车(代理,env,训练);其他的%负载净化代理。负载(“MATLABPendImageDQN.mat”,'代理');结束
为了验证训练过的代理的性能,在摆环境中模拟它。有关代理模拟的更多信息,请参见rlSimulationOptions
和sim卡
.
simOptions = rlSimulationOptions (“MaxSteps”, 500);经验= sim (env,代理,simOptions);
TotalReward = Sum(经验.Rward)
TotalReward = -888.9802.